render-puzzle-docs
О программе
Этот навык рендерит сайт документации jigsawR Quarto для GitHub Pages, поддерживая свежий, кешированный или одностраничный рендеринг. Используйте его для полной сборки сайта после изменений контента, рендеринга отдельных страниц в процессе итеративного редактирования или подготовки документации к релизам. Он может использовать либо встроенный скрипт, либо прямое обращение к Quarto через WSL.
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/render-puzzle-docsСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
渲拼之文檔
渲 jigsawR 之 Quarto 文檔站。
用時
- 內變後建全文檔站乃用
- 於迭編時渲單頁乃用
- 為釋或 PR 備文檔乃用
- 於 Quarto .qmd 之文中察渲誤乃用
入
- 必要:渲模(
fresh、cached、或single) - 可選:具體 .qmd 文之路(為單頁模)
- 可選:是否於覽器開其果
法
第一步:擇渲模
| 模 | 命 | 時 | 用時 |
|---|---|---|---|
| Fresh | bash inst/scripts/render_quarto.sh | ~5-7 分 | 內變、緩陳 |
| Cached | bash inst/scripts/render_quarto.sh --cached | ~1-2 分 | 微編、緩有效 |
| Single | 直 quarto.exe | ~30s | 迭一頁 |
得:依當境擇渲模:內變或緩陳用 fresh,微編用 cached,迭一頁用 single。
敗則:若不確緩是否陳,默用 fresh。其雖久而保正出。
第二步:行渲
Fresh 渲(清 _freeze 與 _site,再行諸 R 碼):
cd /mnt/d/dev/p/jigsawR && bash inst/scripts/render_quarto.sh
Cached 渲(用現 _freeze 文):
cd /mnt/d/dev/p/jigsawR && bash inst/scripts/render_quarto.sh --cached
單頁(直渲一 .qmd 文):
QUARTO_EXE="/mnt/c/Program Files/RStudio/resources/app/bin/quarto/bin/quarto.exe"
"$QUARTO_EXE" render quarto/getting-started.qmd
得:渲畢無誤。出於 quarto/_site/。
敗則:
- 察 .qmd 塊中 R 碼之誤(尋
#| label:之標) - 驗 pandoc 由
RSTUDIO_PANDOC環變可得 - 試清緩:
rm -rf quarto/_freeze quarto/_site - 察 .qmd 文中所用之 R 包皆已裝
第三步:驗其出
ls -la /mnt/d/dev/p/jigsawR/quarto/_site/index.html
確站之構:
quarto/_site/index.html存- 導鏈解正
- 圖與 SVG 文渲正
得:index.html 存且非空。導鏈解,圖/SVG 於覽器渲正。
敗則:若 index.html 缺,渲或暗敗。重行附詳出察 R 碼之誤於 .qmd 塊。若獨某頁缺,驗其 .qmd 文於 _quarto.yml 中已列。
第四步:預覽(可選)
於 Windows 覽器開:
cmd.exe /c start "" "D:\\dev\\p\\jigsawR\\quarto\\_site\\index.html"
得:文檔站於 Windows 默覽器開以視察。
敗則:若自 WSL cmd.exe /c start 命敗,試 explorer.exe "D:\\dev\\p\\jigsawR\\quarto\\_site\\index.html"。或於覽器手導至文。
驗
-
quarto/_site/index.html存且非空 - 控台之出無渲誤
- 諸 R 碼塊皆順行(察誤信)
- 諸頁之導行
- 諸 .qmd 文之碼塊皆有
#| label:以清渲
陷
- 陳之凍緩:若 R 碼變,用 fresh 渲再生
_freeze文 - 缺 R 包:Quarto .qmd 文或用 renv 中無之包;先裝之
- 無 Pandoc:確
RSTUDIO_PANDOC設於.Renviron - 久之渲:fresh 渲 5-7 分(14 頁附 R 行);迭時用 cached 模
- 碼塊之標:諸 R 碼塊宜有
#| label:以清渲
參
generate-puzzle— 生文檔所引之拼出run-puzzle-tests— 確文中之碼例為正create-quarto-report— 通用之 Quarto 文檔之立
GitHub репозиторий
Похожие навыки
content-collections
МетаЭтот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.
polymarket
МетаЭтот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.
creating-opencode-plugins
МетаЭтот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.
sglang
МетаSGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.
