add-puzzle-type
정보
이 스킬은 jigsawR 패키지 전체 파이프라인에 새로운 퍼즐 유형을 단계적으로 구축합니다. 핵심 모듈 생성, 생성/렌더링 시스템 통합, ggplot2 레이어 및 테스트 스위트를 자동화합니다. 완전히 새로운 퍼즐 유형을 추가할 때 10개 이상의 통합 포인트가 모두 커버되도록 보장하기 위해 사용하세요.
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/add-puzzle-typeClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
增拼圖類型
於 jigsawR 跨所有管線整合點為新拼圖類型搭建鷹架。
適用時機
- 為套件新增一全新拼圖類型
- 遵既定整合清單(CLAUDE.md 之 10 點管線)
- 確保新類型自端至端布線時無有遺漏
輸入
- 必要:新類型名(小寫,如
"triangular") - 必要:幾何描述(拼塊形與排列)
- 必要:類型是否需外部套件(加至 Suggests)
- 選擇性:標準之外(grid、size、seed、tabsize、offset)之參數列
- 選擇性:參考實作或演算法來源
步驟
步驟一:建立核心拼圖模組
建立 R/<type>_puzzle.R,含內部生成函式:
#' Generate <type> puzzle pieces (internal)
#' @noRd
generate_<type>_pieces_internal <- function(params, seed) {
# 1. Initialize RNG state
# 2. Generate piece geometries
# 3. Build edge paths (SVG path data)
# 4. Compute adjacency
# 5. Return list: pieces, edges, adjacency, metadata
}
依 R/voronoi_puzzle.R 或 R/snic_puzzle.R 之結構為範。
預期: 函式回傳含 $pieces、$edges、$adjacency、$metadata 之 list。
失敗時: 與 generate_voronoi_pieces_internal() 比對回傳結構,以辨缺失之 list 元素或型別錯誤。
步驟二:布線至 jigsawR_clean.R
編輯 R/jigsawR_clean.R:
- 將
"<type>"加入valid_types向量 - 於 params 段加入類型特有之參數提取
- 加入類型特有約束之驗證邏輯
- 加入檔名前綴對應(如
"<type>"->"<type>_")
# In valid_types
valid_types <- c("rectangular", "hexagonal", "concentric", "voronoi", "snic", "<type>")
預期: generate_puzzle(type = "<type>") 受納而無 "unknown type" 之誤。
失敗時: 驗證類型字串拼寫無誤地加入 valid_types,且參數提取涵蓋一切類型特有之必要引數。
步驟三:布線至 unified_piece_generation.R
編輯 R/unified_piece_generation.R:
- 於
generate_pieces_internal()加入分派 case - 若類型支援 PILES 記法,加入融合處理
# In the switch/dispatch
"<type>" = generate_<type>_pieces_internal(params, seed)
預期: 分派類型時,拼塊得以生成。
失敗時: 確認分派 case 字串與類型名完全相符,且 generate_<type>_pieces_internal 已於拼圖模組定義並輸出。
步驟四:布線至 piece_positioning.R
編輯 R/piece_positioning.R:
為新類型加入定位分派。多數類型用共用之定位邏輯,然有些須自訂。
預期: apply_piece_positioning() 處理新類型而無誤,且拼塊置於正確座標。
失敗時: 查新類型是否需自訂定位邏輯或可重用共用定位路徑。預設路徑不適用時加分派 case。
步驟五:布線至 unified_renderer.R
編輯 R/unified_renderer.R:
- 於
render_puzzle_svg()加入渲染 case - 加入邊路徑函式:
get_<type>_edge_paths() - 加入拼塊名函式:
get_<type>_piece_name()
預期: 為新類型生成 SVG 輸出,附正確之拼塊輪廓與邊路徑。
失敗時: 驗證 get_<type>_edge_paths() 回傳有效之 SVG 路徑資料,且 get_<type>_piece_name() 為各拼塊產唯一識別。
步驟六:布線至 adjacency_api.R
編輯 R/adjacency_api.R:
加入鄰接分派,使 get_neighbors() 與 get_adjacency() 對新類型有效。
預期: get_neighbors(result, piece_id) 為拼圖中任一塊回傳正確鄰居。
失敗時: 查鄰接分派是否回傳正確資料結構。以小格網測試並依幾何手動驗證鄰接關係。
步驟七:增 ggpuzzle Geom 層
編輯 R/geom_puzzle.R:
以 make_puzzle_layer() 工廠建立 geom_puzzle_<type>():
#' @export
geom_puzzle_<type> <- function(mapping = NULL, data = NULL, ...) {
make_puzzle_layer(type = "<type>", mapping = mapping, data = data, ...)
}
預期: ggplot() + geom_puzzle_<type>(aes(...)) 渲染而無誤。
失敗時: 驗證 make_puzzle_layer() 收到正確之類型字串,且 geom 函式已透過 @export 於 NAMESPACE 輸出。
步驟八:增 Stat 分派
編輯 R/stat_puzzle.R:
- 加入類型特有之預設參數
- 於
compute_panel()加入分派 case
預期: stat 層正確計算拼圖幾何,並產出預期數量之多邊形。
失敗時: 查 compute_panel() 分派 case 是否回傳含必要欄(x、y、group、piece_id)之 data frame,且預設參數對新類型合宜。
步驟九:更新 DESCRIPTION
編輯 DESCRIPTION:
- 將新類型加入 Description 欄之文字
- 將任何新套件加入
Suggests:(若為外部依賴) - 更新
Collate:以納入新 R 檔(按字母順序)
預期: devtools::document() 成功。無關於未列檔案之 NOTE。
失敗時: 查新 R 檔是否按字母順序列於 Collate: 欄,且任何新 Suggests 套件之拼寫與版本約束皆正確。
步驟十:更新 config.yml
編輯 inst/config.yml:
為新類型加入預設與約束:
<type>:
grid:
default: [3, 3]
min: [2, 2]
max: [20, 20]
size:
default: [300, 300]
min: [100, 100]
max: [2000, 2000]
tabsize:
default: 20
min: 5
max: 50
# Add type-specific params here
預期: 配置為有效之 YAML。預設於 generate_puzzle() 用之時產出可用拼圖。
失敗時: 以 yaml::yaml.load_file("inst/config.yml") 驗證 YAML。確保預設之 grid 與 size 值產合宜拼圖(不過小亦不過大)。
步驟十一:擴展 Shiny App
編輯 inst/shiny-app/app.R:
- 將新類型加入 UI 類型選擇器
- 為類型特有參數加入條件式 UI 面板
- 加入伺服端生成邏輯
預期: Shiny app 於下拉選單中顯示新類型,並於選定時生成拼圖。
失敗時: 查類型是否加入 UI 選擇器之 choices 引數,類型特有參數之條件式面板是否用 conditionalPanel(condition = "input.type == '<type>'"),且伺服端處理器是否傳遞正確參數。
步驟十二:建立測試套件
建立 tests/testthat/test-<type>-puzzles.R:
test_that("<type> puzzle generates correct piece count", { ... })
test_that("<type> puzzle respects seed reproducibility", { ... })
test_that("<type> adjacency returns valid neighbors", { ... })
test_that("<type> fusion merges pieces correctly", { ... })
test_that("<type> geom layer renders without error", { ... })
test_that("<type> SVG output is well-formed", { ... })
test_that("<type> config constraints are enforced", { ... })
若類型需外部套件,以 skip_if_not_installed() 包裝測試。
預期: 一切測試通過。除非外部依賴缺失,否則無 skip。
失敗時: 個別檢查各整合點。最常見之問題乃缺失之分派 case——行 grep -rn "switch\|valid_types" R/ 以尋一切分派位置。
驗證
-
generate_puzzle(type = "<type>")產有效輸出 - 一切 10 整合點正確布線
-
devtools::test()連同新測試通過 -
devtools::check()回傳 0 errors、0 warnings - Shiny app 渲染新類型
- 配置約束受執行(min/max 驗證)
- 鄰接與融合正確運作
- ggpuzzle geom 層渲染而無誤
-
devtools::document()成功(NAMESPACE 已更新)
常見陷阱
- 缺失分派 case:遺一 10+ 檔之一致默默失敗或「unknown type」之誤
- strsplit 與負數:以
paste(a, b, sep = "-")建鄰接鍵時,負拼塊標籤產如"1--1"之鍵。改用"|"分隔符並以"\\|"切分 - 以
cat()輸出:務用cli套件之記錄包裝(log_info、log_warn等) - Collate 順序:DESCRIPTION 之 Collate 欄須按字母或依賴順序
- Config.yml 格式:確保 YAML 有效;以
yaml::yaml.load_file("inst/config.yml")測試
相關技能
generate-puzzle— 鷹架後測試新類型run-puzzle-tests— 執行完整測試套件以驗證整合validate-piles-notation— 以新類型測試融合write-testthat-tests— 通用測試撰寫模式write-roxygen-docs— 為新 geom 函式撰寫文件
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.
