create-github-issues
정보
이 스킬은 코드 리뷰 결과나 작업 목록을 구조화된 GitHub 이슈로 자동 변환합니다. 관련 항목을 그룹화하고 라벨을 적용하며, 수용 기준을 포함한 표준 템플릿으로 이슈를 구성합니다. `review-codebase`와 같은 리뷰 스킬의 출력을 처리하여 이슈 추적을 효율화하도록 설계되었습니다.
빠른 설치
Claude Code
추천npx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/create-github-issuesClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
造 GitHub 議題
自審查發現或任務分解結構化造 GitHub 議題。將發現清單(自 review-codebase、security-audit-codebase 或手動分析)轉為合格之 GitHub 議題,含標籤、接受標準、交叉引用。
適用時機
- 程式庫審查產待追之發現表後
- 規劃會議辨出應成議題之工作項後
- 將 TODO 清單或積壓轉為可追之 GitHub 議題時
- 批次造相關議題,需一致之格式與標籤時
輸入
- 必要:
findings— 一項目清單,至少含標題與描述。理想亦含:嚴重度、涉及檔、建議標籤 - 選擇性:
group_by— 如何將發現批入議題:severity、file、theme(預設:theme)label_prefix— 自動造之標籤前綴(預設:無)create_labels— 是否造缺之標籤(預設:true)dry_run— 預覽議題而不造之(預設:false)
步驟
步驟一:備標籤
確保倉中有所需標籤。
- 列既存標籤:
gh label list --limit 100 - 辨發現所需標籤(自嚴重度、階段、或明列之標籤欄)
- 若未映射嚴重度於標籤,映之:
critical、high-priority、medium-priority、low-priority - 映階段/主題於標籤:
security、architecture、code-quality、accessibility、testing、performance - 若
create_labels為真,造缺之標籤:gh label create "name" --color "hex" --description "desc" - 用一致色:危急/安全用紅、高用橘、中用黃、架構用藍、測試用綠
預期: 發現所引之標籤皆存於倉。無重複標籤造出。
失敗時: 若 gh CLI 未認證,令用戶行 gh auth login。若標籤造被拒(權限不足),不造標籤而續,記缺之標籤。
步驟二:組發現
批相關發現入合邏輯之議題以避議題蔓延。
- 若
group_by為theme:按階段或類別組之(所有安全發現 → 1-2 議題、所有 a11y → 1 議題) - 若
group_by為severity:按嚴重度組之(所有 CRITICAL → 1 議題、所有 HIGH → 1 議題) - 若
group_by為file:按主要涉及檔組之 - 各組內按嚴重度序(CRITICAL 先)
- 若一組過 8 發現,按子主題分為子組
- 各組為一 GitHub 議題
預期: 一組議題群,各含 1-8 相關發現。議題總數當可管(全庫審查典型為 5-15)。
失敗時: 若發現無組織元資料,回退為每發現一議題。此於少發現(< 10)可接受,於多發現則生過多議題。
步驟三:造議題
以標準範本建各議題。
- 標題:
[Severity] Theme: Brief description—— 如[HIGH] Security: Eliminate innerHTML injection in panel.js - 正文結構:
## Summary One-paragraph overview of what this issue addresses and why it matters. ## Findings 1. **[SEVERITY]** Finding description (`file.js:line`) — brief explanation 2. **[SEVERITY]** Finding description (`file.js:line`) — brief explanation ## Acceptance Criteria - [ ] Criterion derived from finding 1 - [ ] Criterion derived from finding 2 - [ ] All changes pass existing tests ## Context Generated from codebase review on YYYY-MM-DD. Related: #issue_numbers (if applicable) - 施標籤:嚴重度標籤 + 主題標籤 + 任何自訂標籤
- 若發現指特定檔,於正文述之(非為指派人)
預期: 各議題有明標題、帶嚴重度標之編號發現、可勾之接受標準、當之標籤。
失敗時: 若正文過 GitHub 議題大小限(65536 字),分議題為部並交叉引用之。
步驟四:造議題
以 gh CLI 造議題並報結果。
- 若
dry_run為真,列各議題標題與正文而不造,止 - 各組成之議題,造之:
gh issue create --title "title" --body "$(cat <<'EOF' body content EOF )" --label "label1,label2" - 記各已造議題之 URL
- 所有議題造成後,印摘要表:
#number | Title | Labels | Findings count - 若議題當有序,加交叉引用:編第一議題以述「Blocked by #X」或「See also #Y」
預期: 所有議題成造。印含議題編號與 URL 之摘要表。
失敗時: 若某議題造敗,記誤而續他議題。於末報敗。常見敗:認證過期、標籤不存(若 create_labels 為假)、網路逾時。
驗證
- 所有發現皆現於至少一議題
- 各議題有至少一標籤
- 各議題有勾選式接受標準
- 無造重複議題(察標題與既開議題)
- 議題數合發現數(多發現時非 1:1)
- 已印含所有議題 URL 之摘要表
常見陷阱
- 議題蔓延:每發現造一議題生 20+ 議題,難管。宜積極組之——全審查 5-10 議題為佳
- 缺接受標準:無勾選框之議題無法驗為完。各發現當映至少一勾選框
- 標籤之亂:造過多標籤令過濾無用。守嚴重度 + 主題,勿逐發現之標籤
- 陳舊之引:若自舊審查造議題,造前驗發現仍適用。程式或已改
- 忘 dry run:大發現集恒先以
dry_run: true預覽。改計畫易於關 15 誤議題
相關技能
review-codebase—— 產此技能所消之發現表review-pull-request—— 產 PR 範圍之發現,亦可轉為議題manage-backlog—— 造議題後組之為衝刺與優先級create-pull-request—— 造 PR 以引用並關議題commit-changes—— 提交解議題之修正
GitHub 저장소
연관 스킬
content-collections
메타이 스킬은 콘텐츠 콜렉션(Content Collections)을 위한 프로덕션 검증된 설정을 제공합니다. 콘텐츠 콜렉션은 Markdown/MDX 파일을 Zod 검증이 포함된 타입 안전한 데이터 콜렉션으로 변환해주는 TypeScript 최우선 도구입니다. 블로그, 문서 사이트 또는 콘텐츠 중심의 Vite + React 애플리케이션을 구축할 때 타입 안전성과 자동 콘텐츠 검증을 보장하기 위해 사용하세요. Vite 플러그인 구성과 MDX 컴파일부터 배포 최적화 및 스키마 검증에 이르기까지 모든 것을 다룹니다.
polymarket
메타이 스킬은 개발자들이 Polymarket 예측 시장 플랫폼을 활용한 애플리케이션을 구축할 수 있도록 지원하며, 거래 및 시장 데이터를 위한 API 통합 기능을 포함합니다. 또한 WebSocket을 통한 실시간 데이터 스트리밍을 제공하여 실시간 거래와 시장 활동을 모니터링할 수 있습니다. 이를 통해 거래 전략을 구현하거나 실시간 시장 업데이트를 처리하는 도구를 생성하는 데 활용할 수 있습니다.
creating-opencode-plugins
메타이 스킬은 개발자들이 명령어, 파일, LSP 작업 등 25개 이상의 이벤트 유형에 연결되는 OpenCode 플러그인을 만들 수 있도록 돕습니다. JavaScript/TypeScript 모듈을 위한 플러그인 구조, 이벤트 API 명세, 구현 패턴을 제공합니다. OpenCode AI 어시스턴트의 라이프사이클을 사용자 정의 이벤트 기반 로직으로 가로채거나, 모니터링하거나, 확장해야 할 때 사용하세요.
sglang
메타SGLang은 RadixAttention 프리픽스 캐싱을 활용하여 JSON, 정규식, 에이전트 워크플로우를 위한 고속 구조화 생성에 특화된 고성능 LLM 서빙 프레임워크입니다. 특히 반복되는 프리픽스가 있는 작업에서 상당히 빠른 추론 속도를 제공하여 복잡한 구조화 출력 및 다중 턴 대화에 이상적입니다. 제약 디코딩이 필요하거나 광범위한 프리픽스 공유가 있는 애플리케이션을 구축할 때는 vLLM과 같은 대안보다 SGLang을 선택하십시오.
