polish-claw-project
О программе
Этот навык предоставляет структурированный рабочий процесс из девяти шагов для внесения вклада в проекты экосистемы OpenClaw (OpenClaw, NemoClaw, NanoClaw). Он ориентирован на параллельный аудит кода, предотвращение ложных срабатываний и соответствие проектным соглашениям для выбора наиболее значимых улучшений. Используйте его при внесении изменений, затрагивающих безопасность, в незнакомые кодовые базы, так как он автоматизирует механические шаги (создание форков, пул-реквестов), делая акцент на систематическом ревью.
Быстрая установка
Claude Code
Рекомендуетсяnpx 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/polish-claw-projectСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
磨爪項目
貢獻於 OpenClaw 生態項目之結構流程。新值在第 5-7 步:並行審計、防偽陽性、與開放議題對照以擇高影響之貢獻。機械步(fork、PR 立)委於既有技能。
用時
- 貢獻於 NVIDIA/OpenClaw、NVIDIA/NemoClaw、NVIDIA/NanoClaw 或類似 Claw 生態庫
- 首次貢獻於不熟之安全敏感架構之開源項
- 欲可重複可審之貢獻流程而非隨手修
- 已識受外貢之 Claw 項(察 CONTRIBUTING.md)後
入
- 必要:
repo_url— 目標 Claw 項之 GitHub URL(如https://github.com/NVIDIA/NemoClaw) - 可選:
contribution_count— 欲行貢獻之數(默 1-3)focus— 偏型:security、tests、docs、bugs、any(默any)fork_org— 分叉之 GitHub 組/用戶(默 認證之用戶)
法
第一步:識並驗目標
確項受外貢且活維。
- 開庫 URL 並讀
CONTRIBUTING.md、CODE_OF_CONDUCT.md、LICENSE - 察近提交活(末 30 日)與開放 PR 合併率
- 驗項用寬鬆或貢友善之許可
- 讀
SECURITY.md或安全策若有——記負責披露之規 - 識主語、試框、CI 系
得:CONTRIBUTING.md 在、末 30 日內有提交、貢指清晰。
敗則:若無 CONTRIBUTING.md 或近無活,記因而止——陳項罕合外 PR。
第二步:分叉並克隆
立庫之工作副本。
- 分叉:
gh repo fork <repo_url> --clone - 設上游:
git remote add upstream <repo_url> - 驗:
git remote -v示origin(叉)與upstream二者 - 同步:
git fetch upstream && git checkout main && git merge upstream/main
得:本地克隆,二遠程已配且最新。
敗則:若分叉敗,察 GitHub 認證(gh auth status)。若克隆緩,初探試 --depth=1。
第三步:探代碼庫
立項架構之心模。
- 讀
README.md觀架構與項目標 - 識入點、核模、公 API 面
- 圖試結構:試何處、何框、覆度
- 注代碼風格慣:linter 配、命名、入式
- 察 Docker/容器設、CI 配、部署模
得:清明項結構、慣、貢宜處。
敗則:若架構不明,焦於某子系而非全項。
第四步:讀開放議題
察既議以明項所需並避重作。
- 列開放議:
gh issue list --state open --limit 50 - 依型分類:bug、功能、文、安全、good-first-issue
- 注標
help wanted、good first issue、hacktoberfest之議 - 察陳議(>90 日開、近無評)——或已棄
- 讀任連 PR 知所試之解
得:未認領議分類列附型標。
敗則:若無開放議,赴第五步——審計或揭未列之改善。
第五步:並行審計
並行行安全與代碼質審計。新發現於此現。
- 對項根行
security-audit-codebase技能 - 同行
review-codebase技能附範圍quality - 要:對項威脅模與架構驗各發現
- 沙盒引導腳本中之「硬編祕」非漏
- 內用函數無入驗低嚴重
- 標漏之依或已被項架構緩解
- 評驗之發現:CRITICAL、HIGH、MEDIUM、LOW
- 記偽陽性附理——其告未來行之 Common Pitfalls
得:附嚴重評與偽陽性注之驗發現列。
敗則:若無發現浮現,移焦至試覆缺、文改、開發者體驗增。
第六步:對照發現
映驗審計發現至開放議——核判之步。
- 對各驗之發現,搜開放議相關之論
- 各發現分類為:
- 合開放議 — 連發現於議
- 新發現 — 無既議覆
- 已修於 PR — 察開放 PR 進行中之修
- 優符既議者(最高合併率)
- 新發現者,依項優先評維護者是否願受修
得:附發現至議映與合併率評之優先列。
敗則:若諸發現皆已處,返第四步覓文、試、開發者體驗之貢。
第七步:擇貢
依影響、力、專長擇 1-3 貢。
- 各候之分:
- 影響:此進項多少?(安全 > bug > 試 > 文)
- 力:可於焦會中善為之乎?(取小完之 PR)
- 專長:貢者有此修之域知乎?
- 合併率:合所示項優先乎?
- 擇頂候(默 1-3)
- 各定:分支名、範圍界、接受之準、試謀
得:1-3 擇貢附明範圍與接受之準。
敗則:若無貢分高,考立善寫議而非 PR。
第八步:實作
各貢立分支並實修。
- 各貢:
git checkout -b fix/<description> - 嚴守項慣(linter、命名、入式)
- 加或更涵改之試
- 行項試套:驗諸試過
- 行項 linter:驗無新警
- 各 PR 焦——一邏輯變一分支
得:清實作,附過試與無 linter 警。
敗則:若試敗於既有問題,記之並確 PR 不引新敗。
第九步:立拉取請求
依項之 CONTRIBUTING.md 提交貢。
- 推分支:
git push origin fix/<description> - 用
create-pull-request技能立 PR - 於 PR 體參相關議(如 "Fixes #123")
- 守項 PR 模板若有
- 對審者反饋速應——快迭
得:諸 PR 已立、連於議、守項慣。
敗則:若 PR 立敗,察分支保護規與貢者許可協議。
驗
- 諸擇貢已實作並提交為 PR
- 各 PR 參相關議(若有)
- 諸項試於各 PR 分支過
- 無偽陽性發現提交為實議
- PR 述守項 CONTRIBUTING.md 模板
陷
- 偽陽性過聲:Claw 項用沙盒架構——沙盒環境內之「漏」或為設計使然。報前常對項威脅模驗。
- 摘要/簽名鏈擾:Claw 項常用驗鏈為模型完整。變必保此鏈,否則 PR 拒。
- 慣不合:Claw 項嚴執風格。行項自之 linter,非通用者。嚴配入序、文檔字符串格、試模。
- 範圍蔓延:3 焦 PR 合併速於 1 蔓延 PR。各貢原子。
- 陳分叉:始作前常與上游同步(
git fetch upstream && git merge upstream/main)。
參
- security-audit-codebase — 第五步用於安全發現
- review-codebase — 第五步用於代碼質審
- create-pull-request — 第九步用於 PR 立
- create-github-issues — 為未為 PR 處之發現立議
- manage-git-branches — 實作中之分支管
- commit-changes — 提交流程
GitHub репозиторий
Похожие навыки
llamaguard
ДругоеLlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.
cost-optimization
ДругоеЭтот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.
quantizing-models-bitsandbytes
ДругоеЭтот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.
dispatching-parallel-agents
ДругоеЭтот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.
