依据WCAG 2.2设计和检查Web、iOS及Android界面,核查读屏标签、键盘操作、配色对比度和操作目标尺寸,使界面支持辅助技术。
- 为纯图标按钮添加说明
- 检查键盘操作与模态框焦点
- 检查对比度与操作目标尺寸
在仓库中执行命令,检查状态,调查CI或构建失败,并验证必要的修复。依据执行结果报告本地修改、验证、提交和推送的状态。
Evidence-first repo execution workflow for ECC. Use when the user wants a command run, a repo checked, a CI failure debugged, or a narrow fix pushed with exact proof of what was executed and verified.
在仓库中实际执行命令,检查状态、调查失败原因,并进行小范围修复和验证。先确认目标路径、分支、尚未提交的差异及用户要求的工作范围,再检查错误和相关文件。修复后重新执行用于证明结果的命令,报告修改内容与检查结果。报告会分别说明本地修改、本地验证、提交和推送的状态。
适合调查CI失败,或修复本地构建错误。CI是自动构建和测试变更的机制。除了了解是否修复,也希望查看实际执行的测试和命令结果时,可以使用此技能。
如果用户只要求审计或审查,流程将保持只读。操作会尊重无关的本地修改,并避免使用破坏性的Git命令。需要时会配合使用verification-loop、github-ops等相关技能。
本介绍由 AI(OpenAI Codex)根据公开的 SKILL.md 撰写。准确的规格请查看下方原文。
AI 仅根据 SKILL.md 的内容,从 4 个方面进行了评估。星标数和热度不计入评估。
总分按每项 A=25 分、B=15 分、C=5 分相加。 由 AI(OpenAI Codex)于 2026年10月19日 评估。仅供参考,安装前请同时查看原文。
安装前可以查看交给 AI 代理的指令内容。
Use this when the user wants real repo execution: run commands, inspect git state, debug CI or builds, make a narrow fix, and report exactly what changed and what was verified.
This skill is intentionally narrower than general coding guidance. It is an operator workflow for evidence-first terminal execution.
Pull these ECC-native skills into the workflow when relevant:
verification-loop for exact proving steps after changestdd-workflow when the right fix needs regression coveragesecurity-review when secrets, auth, or external inputs are involvedgithub-ops when the task depends on CI runs, PR state, or release statusknowledge-ops when the verified outcome needs to be captured into durable project contextSettle:
Before changing anything:
Solve one dominant failure at a time:
Use exact status words:
SURFACE
- repo
- branch
- requested mode
EVIDENCE
- failing command / diff / test
ACTION
- what changed
STATUS
- inspected / changed locally / verified locally / committed / pushed / blocked
还没有评价。欢迎分享你的使用感受。
无需登录即可发表。欢迎分享使用感受、提问,或说明在哪些环境下无法运行。
还没有评论。来写第一条吧。
依据WCAG 2.2设计和检查Web、iOS及Android界面,核查读屏标签、键盘操作、配色对比度和操作目标尺寸,使界面支持辅助技术。
从指令、记忆、工具执行和界面显示等十二个层面排查人工智能代理故障,依据代码和日志梳理原因,按严重程度列出问题并提出修复方案。
用实际开发任务比较多个编程智能体,记录成功率、可获取的API费用、耗时和重复运行的稳定性,为工具选型及更新后的性能评估提供数据。
设计和调整AI智能体使用的工具、输入与返回格式,明确出错后的恢复、重试和停止条件,管理上下文信息量,并以完成率、重试次数和成功任务成本评估改进。
根据错误信息和执行环境,分析AI代理反复失败或重复操作的原因。通过小范围、可撤销的恢复操作检验假设,并将结果与依据整理成可供交接的报告。
在AI代理反复失败或重复操作时,记录错误与环境前提、排查原因,采取影响有限的恢复操作,并汇总结果和证据,为有依据的重试与交接提供支持。