MCP HubMCP Hub
SKILL·A0D2F2

polish-claw-project

pjt222
업데이트됨 1 month ago
11 조회
26
3
26
GitHub에서 보기
기타general

정보

이 스킬은 OpenClaw 생태계 프로젝트(OpenClaw, NemoClaw, NanoClaw)에 기여하기 위한 구조화된 9단계 워크플로를 제공합니다. 병렬 코드 감사, 오탐 방지, 그리고 기존 이슈와의 교차 참조를 통해 영향력 높은 기여를 선별하는 데 중점을 둡니다. 익숙하지 않은 보안 민감 오픈소스 프로젝트에 임시적인 수정보다는 체계적인 접근 방식으로 기여해야 할 때 사용하세요.

빠른 설치

Claude Code

추천
기본
npx skills add pjt222/agent-almanac -a claude-code
플러그인 명령대체
/plugin add https://github.com/pjt222/agent-almanac
Git 클론대체
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/polish-claw-project

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서

抛光 Claw 项目

为 OpenClaw 生态系统项目做贡献的结构化工作流。新颖价值在第 5-7 步:并行审计、防止误报,以及对照未解决 issue 交叉引用发现以选择高影响贡献。机械步骤(fork、PR 创建)委派给现有技能。

适用场景

  • 为 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或类似 Claw 生态仓库做贡献
  • 首次为带安全敏感架构的不熟悉开源项目做贡献
  • 当您想要可重复、可审计的贡献工作流而非临时修复时
  • 在识别接受外部贡献的 Claw 项目后(检查 CONTRIBUTING.md)

输入

  • 必需repo_url —— 目标 Claw 项目的 GitHub URL(如 https://github.com/NVIDIA/NemoClaw
  • 可选
    • contribution_count —— 目标贡献数(默认:1-3)
    • focus —— 偏好贡献类型:securitytestsdocsbugsany(默认:any
    • fork_org —— 要 fork 进入的 GitHub 组织/用户(默认:已认证用户)

步骤

第 1 步:识别并验证目标

确认项目接受外部贡献并积极维护。

  1. 打开仓库 URL 并阅读 CONTRIBUTING.mdCODE_OF_CONDUCT.mdLICENSE
  2. 检查最近提交活动(最后 30 天)和未解决 PR 合并率
  3. 验证项目使用宽松或贡献友好的许可证
  4. 阅读 SECURITY.md 或安全政策(若存在)—— 注意负责任披露规则
  5. 识别主要语言、测试框架和 CI 系统

预期结果: CONTRIBUTING.md 存在,最后 30 天内有提交,清晰的贡献指南。

失败处理: 若无 CONTRIBUTING.md 或无近期活动,记录原因并停止 —— 陈旧项目很少合并外部 PR。

第 2 步:Fork 并克隆

创建仓库的工作副本。

  1. Fork:gh repo fork <repo_url> --clone
  2. 设置上游远程:git remote add upstream <repo_url>
  3. 验证:git remote -v 显示 origin(fork)和 upstream 两者
  4. 同步:git fetch upstream && git checkout main && git merge upstream/main

预期结果: 本地克隆,两个远程已配置且最新。

失败处理: 若 fork 失败,检查 GitHub 认证(gh auth status)。若克隆慢,初始探索尝试 --depth=1

第 3 步:探索代码库

构建项目架构的心智模型。

  1. 阅读 README.md 了解架构概览和项目目标
  2. 识别入口点、核心模块和公开 API 表面
  3. 映射测试结构:测试在哪里、什么框架、覆盖水平
  4. 注意代码风格约定:linter 配置、命名模式、导入风格
  5. 检查 Docker/容器设置、CI 配置和部署模式

预期结果: 对项目结构、约定和贡献适合处的清晰理解。

失败处理: 若架构不清,专注于特定子系统而非整个项目。

第 4 步:阅读未解决 Issue

调查现有 issue 以理解项目需求并避免重复工作。

  1. 列出未解决 issue:gh issue list --state open --limit 50
  2. 按类型分类:bug、功能、文档、安全、good-first-issue
  3. 注意标记 help wantedgood first issuehacktoberfest 的 issue
  4. 检查陈旧 issue(>90 天未关闭,无近期评论)—— 这些可能被遗弃
  5. 阅读任何链接的 PR 以理解尝试的解决方案

预期结果: 带类型标签的未认领 issue 分类列表。

失败处理: 若无未解决 issue 存在,进入第 5 步 —— 审计可能发现未列出的改进。

第 5 步:并行审计

并行运行安全和代码质量审计。这是新颖发现浮现的地方。

  1. 对项目根运行 security-audit-codebase 技能
  2. 同时以范围 quality 运行 review-codebase 技能
  3. 关键:对照项目威胁模型和架构验证每个发现
    • 沙箱引导脚本中的"硬编码密钥"不是漏洞
    • 仅内部使用函数上缺失输入验证是低严重性
    • 标记为易受攻击的依赖可能已被项目架构缓解
  4. 对验证的发现评级:CRITICAL、HIGH、MEDIUM、LOW
  5. 用推理记录误报 —— 它们告知未来运行的 Common Pitfalls

预期结果: 带严重性评级和误报注释的验证发现列表。

失败处理: 若无发现浮现,转向测试覆盖空隙、文档改进或开发者体验增强。

第 6 步:交叉引用发现

将验证的审计发现映射到未解决 issue —— 核心判断步骤。

  1. 对每个验证的发现,搜索未解决 issue 中的相关讨论
  2. 将每个发现分类为:
    • 匹配未解决 issue —— 将发现链接到 issue
    • 新发现 —— 无现有 issue 涵盖此
    • 已在 PR 中修复 —— 检查未解决 PR 中的进行中修复
  3. 优先处理匹配现有 issue 的发现(最高合并概率)
  4. 对新发现,根据项目优先级评估维护者是否欢迎修复

预期结果: 带发现-到-issue 映射和合并概率评估的优先级列表。

失败处理: 若所有发现已被解决,返回第 4 步并寻找文档、测试或开发者体验贡献。

第 7 步:选择贡献

基于影响、努力和专长选择 1-3 个贡献。

  1. 对每个候选评分:
    • 影响:这对项目改进多少?(安全 > bug > 测试 > 文档)
    • 努力:能在专注会话中很好完成吗?(偏好小、完整的 PR)
    • 专长:贡献者对此修复有领域知识吗?
    • 合并概率:这匹配陈述的项目优先级吗?
  2. 选择前几名候选(默认:1-3)
  3. 对每个,定义:分支名、范围边界、接受标准、测试计划

预期结果: 1-3 个选定贡献,附清晰范围和接受标准。

失败处理: 若无贡献得分良好,考虑提交写得好的 issue 而非 PR。

第 8 步:实现

每个贡献创建一个分支并实现修复。

  1. 对每个贡献:git checkout -b fix/<description>
  2. 完全遵循项目约定(linter、命名、导入风格)
  3. 添加或更新覆盖变更的测试
  4. 运行项目测试套件:验证所有测试通过
  5. 运行项目 linter:验证无新警告
  6. 保持每个 PR 专注 —— 每个分支一个逻辑变更

预期结果: 干净的实现,带通过测试和无 linter 警告。

失败处理: 若测试在预先存在问题上失败,记录它们并确保 PR 不引入新失败。

第 9 步:创建 Pull Request

按项目 CONTRIBUTING.md 提交贡献。

  1. 推送分支:git push origin fix/<description>
  2. 使用 create-pull-request 技能创建 PR
  3. 在 PR 正文中引用相关 issue(如 "Fixes #123")
  4. 若存在 PR 模板,遵循它
  5. 对审阅者反馈响应迅速 —— 快速迭代

预期结果: PR 已创建、链接到 issue、遵循项目约定。

失败处理: 若 PR 创建失败,检查分支保护规则和贡献者许可协议。

验证清单

  1. 所有选定贡献已实现并作为 PR 提交
  2. 每个 PR 引用相关 issue(若存在)
  3. 所有项目测试在每个 PR 分支上通过
  4. 没有误报发现作为真实 issue 提交
  5. PR 描述遵循项目 CONTRIBUTING.md 模板

常见问题

  • 误报过度声称:Claw 项目使用沙箱架构 —— 沙箱环境内的"漏洞"可能是设计如此。在报告前始终对照项目威胁模型验证。
  • 摘要/签名链中断:Claw 项目常使用模型完整性验证链。变更必须保留这些链,否则 PR 会被拒绝。
  • 约定不匹配:Claw 项目执行严格风格。运行项目自己的 linter,而非通用的。完全匹配导入排序、docstring 格式和测试模式。
  • 范围蔓延:3 个专注 PR 比 1 个铺张 PR 合并更快。保持每个贡献原子。
  • 过时 fork:开始工作前始终与上游同步(git fetch upstream && git merge upstream/main)。

相关技能

GitHub 저장소

pjt222/agent-almanac
경로: i18n/zh-CN/skills/polish-claw-project
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams
FAQ

Frequently asked questions

What is the polish-claw-project skill?

polish-claw-project is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform polish-claw-project-related tasks without extra prompting.

How do I install polish-claw-project?

Use the install commands on this page: add polish-claw-project to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.

What category does polish-claw-project belong to?

polish-claw-project is in the Other category, tagged general.

Is polish-claw-project free to use?

Yes. polish-claw-project is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.

연관 스킬

llamaguard
기타

LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.

스킬 보기
cost-optimization
기타

이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.

스킬 보기
sports-betting-analyzer
기타

이 Claude Skill은 스프레드, 오버/언더, 프로프 베트를 포함한 스포츠 베팅 시장을 분석합니다. 역사적 추이와 상황별 통계를 검토하여 가치 베트를 발견하고, 교육적 목적으로 실행 가능한 권장 사항이 담긴 구조화된 마크다운 결과를 제공합니다. 개발자는 이 기능을 스포츠 베팅 분석 도구에 활용할 수 있으며, 단순히 엔터테인먼트/교육 목적으로만 설계되었음을 유의해야 합니다.

스킬 보기
quantizing-models-bitsandbytes
기타

이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.

스킬 보기