返回技能列表

validate-piles-notation

pjt222
更新于 Yesterday
1 次查看
17
2
17
在 GitHub 上查看
aitesting

关于

This skill parses and validates PILES notation strings used to define piece fusion groups in jigsawR. It performs syntax validation, converts notation into structured group lists, and can generate plain-language explanations. Developers should use it to validate user input before `generate_puzzle()`, debug fusion group issues, or verify round-trip serialization fidelity.

快速安装

Claude Code

推荐
主要方式
npx skills add pjt222/agent-almanac -a claude-code
插件命令备选方式
/plugin add https://github.com/pjt222/agent-almanac
Git 克隆备选方式
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/validate-piles-notation

在 Claude Code 中复制并粘贴此命令以安装该技能

技能文档

驗 PILES 之記

於 jigsawR 中析驗 PILES 之記之串,以指片融之群。

用時

  • 用者所予之 PILES 串入 generate_puzzle() 前驗之
  • 排融群之疾(誤合之片、意外之果)
  • 以淺辭述 PILES 之記於用者
  • 試往返之忠:析 -> 群 -> 序 -> 析

  • 必要:PILES 之記之串(如 "1-2-3,4-5"
  • 可選:拼圖果之物(為鄰之驗與關鍵字之解)
  • 可選:拼圖之類(為關鍵字之支如 "center""ring1""R1"

第一步:語法之驗

library(jigsawR)
result <- validate_piles_syntax("1-2-3,4-5")
# Returns TRUE if valid, error message if invalid

察常見語法之訛:

  • 括不對:"1-2(-3)-4"() 不配
  • 字非允:唯數、-,:() 與關鍵字
  • 空群:"1-2,,3-4"(雙逗)

得:有效語法返 TRUE,無效返述訛之辭。

敗則:印 PILES 之串與驗訛之辭。

第二步:析為群

groups <- parse_piles("1-2-3,4-5")
# Returns: list(c(1, 2, 3), c(4, 5))

含範之串:

groups <- parse_piles("1:6,7-8")
# Returns: list(c(1, 2, 3, 4, 5, 6), c(7, 8))

得:整向之列,每融群一向,含正片 ID 與群之界。

敗則:先確 PILES 串已過第一步之語法驗。析返意外之群者,驗 - 分群內片、, 分群、範記(:)展為含端。

第三步:以淺辭述之

為用者述各群:

  • "1-2-3,4-5" -> 「群一:合片 1、2、3。群二:合片 4 與 5。」
  • "1:6" -> 「群一:合片 1 至 6(六片)。」
  • "center,ring1" -> 「群一:中心片。群二:環一之諸片。」

得:每融群以淺辭述,含片數與識,使非技用者能解。

敗則:關鍵字不能述(如 "ring1" 無明意)者,記或需拼圖果之物為脈絡。囑用者予拼圖類或用數片 ID。

第四步:對拼圖果之驗(可選)

若拼圖果之物可得,驗:

# Generate the puzzle first
puzzle <- generate_puzzle(type = "hexagonal", grid = c(3), size = c(200))

# Parse with puzzle context (resolves keywords)
groups <- parse_fusion("center,ring1", puzzle)

察:

  • 諸片 ID 存於拼圖
  • 關鍵字解為有效片集
  • 合之片實鄰(否則警)

得:諸片 ID 有效。鄰片合而清。

敗則:列無效片 ID 或非鄰之對。

第五步:往返序之驗

驗析/序之忠:

original <- "1-2-3,4-5"
groups <- parse_piles(original)
roundtrip <- to_piles(groups)
# roundtrip should equal original (or canonical equivalent)

groups2 <- parse_piles(roundtrip)
identical(groups, groups2)  # Must be TRUE

得:往返生同群列,確 parse_piles()to_piles() 為逆。

敗則:往返異者,察序者是否規範化記(如片 ID 排序或範化為顯列)。範差可受,唯 identical(groups, groups2) 須返 TRUE

PILES 速參

# Basic syntax
"1-2"           # Fuse pieces 1 and 2
"1-2-3,4-5"     # Two groups: (1,2,3) and (4,5)
"1:6"           # Range: pieces 1 through 6

# Keywords (require puzzle_result)
"center"        # Center piece (hex/concentric)
"ring1"         # All pieces in ring 1
"R1"            # Row 1 (rectangular)
"boundary"      # All boundary pieces

# Functions
parse_piles("1-2-3,4-5")                    # Parse PILES string
parse_fusion("1-2-3", puzzle)               # Auto-detect format
to_piles(list(c(1,2), c(3,4)))              # Convert to PILES
validate_piles_syntax("1-2(-3)-4")          # Validate syntax

  • validate_piles_syntax() 對有效串返 TRUE
  • parse_piles() 返正群列
  • 往返序保群
  • 關鍵字以拼圖脈絡正解
  • 無效語法生明訛辭

  • 關鍵字無拼圖脈絡:如 "center" 之關鍵字需拼圖果物。傳於 parse_fusion(),非 parse_piles()
  • 片始於一:片 ID 始於 1,非 0。
  • 鄰與非鄰之合:合非鄰片可行而生意外之視果。可時驗鄰。
  • 範之記"1:6" 含兩端(1, 2, 3, 4, 5, 6)。

  • generate-puzzle — 生含融群之拼圖
  • add-puzzle-type — 新類需 PILES/融之支
  • run-puzzle-tests — 全套試 PILES 之析

GitHub 仓库

pjt222/agent-almanac
路径: i18n/wenyan/skills/validate-piles-notation
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

相关推荐技能

content-collections

Content Collections 是一个 TypeScript 优先的构建工具,可将本地 Markdown/MDX 文件转换为类型安全的数据集合。它专为构建博客、文档站和内容密集型 Vite+React 应用而设计,提供基于 Zod 的自动模式验证。该工具涵盖从 Vite 插件配置、MDX 编译到生产环境部署的完整工作流。

查看技能

polymarket

这个Claude Skill为开发者提供完整的Polymarket预测市场开发支持,涵盖API调用、交易执行和市场数据分析。关键特性包括实时WebSocket数据流,可监控实时交易、订单和市场动态。开发者可用它构建预测市场应用、实施交易策略并集成实时市场预测功能。

查看技能

creating-opencode-plugins

该Skill帮助开发者创建OpenCode插件,用于接入命令、文件、LSP等25+种事件。它提供了插件结构、事件API规范和JavaScript/TypeScript实现模式,适合需要拦截操作、扩展功能或自定义事件处理的场景。开发者可通过它快速构建响应式模块来增强OpenCode AI助手的能力。

查看技能

sglang

SGLang是一个专为LLM设计的高性能推理框架,特别适用于需要结构化输出的场景。它通过RadixAttention前缀缓存技术,在处理JSON、正则表达式、工具调用等具有重复前缀的复杂工作流时,能实现极速生成。如果你正在构建智能体或多轮对话系统,并追求远超vLLM的推理性能,SGLang是理想选择。

查看技能