Claude代码工具包

该工具集包含多种插件,涵盖RAG系统实施、Hugging Face Transformers最佳实践、Docker镜像优化等,适用于开发、评估和优化机器学习模型及其应用。

一键安装此套包中的所有插件:

42plugin install applied-artificial-intelligence/kit/claude-code-toolkit

包含的插件(35)

计划任务管理

applied-artificial-intelligence

Command

通过结构化推理创建高效实施计划。 计划任务指令插件通过结构化推理功能,帮助用户创建详细的实施计划,能够将复杂工作分解为有序任务并明确任务之间的依赖关系。用户可以根据需求,选择从需求文档、特定问题(如问题编号#123)或描述信息中生成计划。该插件支持多种工具,包括任务管理、Bash 脚本执行、文本读取与写入、以及多编辑功能,确保在规划过程中高效整合各类资源。此外,性能监控设置功能能够实时跟踪规划会议的进展,为后续优化提供数据支持。通过这一插件,用户能够系统化地管理项目进度,提高实施效率。

3.8

任务发布助手

applied-artificial-intelligence

Command

ship 插件高效支持任务发布,确保交付质量。 ship 插件提供了高效的任务发布指令功能,旨在确保交付工作的质量和完整性。通过该插件,用户可以在完成项目后进行全面的验证和文档记录,确保所有交付物符合既定标准。支持的工具包括 Task、Bash、Read、Write、MultiEdit、Grep 和 Glob,用户可以根据需求选择相应的操作。 插件提供多种选项,如 `--preview`、`--pr`、`--commit` 和 `--deploy`,以便灵活应对不同的发布场景。在交付准备阶段,插件会对项目设置进行检查,确保 `.claude` 目录和工作单元结构的正确性,从而为后续的交付流程奠定基础。通过这一系列功能,ship 插件有效提升了工作交付的效率和可靠性。

3.3

下一个任务指令

applied-artificial-intelligence

Command

高效管理实施计划中的下一个任务,支持并行执行。 下一个任务指令插件旨在高效执行实施计划中的下一个可用任务,支持可选的并行执行功能。用户可以通过指定任务ID或选择并行执行的数量来灵活管理任务执行。该插件支持多种工具,包括 Task、Bash、Read、Write、MultiEdit、Grep、Glob 和 TodoWrite,能够满足不同场景下的任务需求。通过使用命令行参数,如 `--task TASK-ID`、`--parallel [N|auto]`、`--preview` 和 `--status`,用户可以轻松控制任务的执行状态和并行程度,从而优化工作流程。此插件为项目管理提供了强大的支持,确保任务的高效推进。

3.8

快速迭代工具

applied-artificial-intelligence

Command

Spike 是一个命令行工具,用于快速技术探索和迭代。 Spike 是一个用于技术探索的命令行工具,旨在提供一个隔离的实验环境,以便快速迭代和验证新技术或方法。用户可以通过简单的命令启动一个时间限制的实验,创建一个独立的 Git 分支,并生成相应的跟踪文件,确保在放宽质量门槛的情况下进行探索。Spike 允许用户在限定时间内进行原型化开发,研究实施的可行性,并通过实验获取必要的信息,支持技术决策的制定。完成实验后,用户可以生成报告或选择放弃实验,系统将自动清理相关资源。此工具为开发者提供了一个高效、灵活的方式来进行技术调查,促进创新与学习。

3.3

统一工作管理

applied-artificial-intelligence

Command

提供统一的工作管理指令,提升工作效率。 统一的工作管理:列出单位、继续工作、保存检查点和切换上下文

3.8

探索指令

applied-artificial-intelligence

Command

通过系统分析探索需求与代码库,助力项目规划。 探索指令插件旨在通过系统分析来探索需求和代码库,为项目规划提供基础支持。这一过程被认为是有效开发的第一步,能够帮助用户在进行后续操作之前,深入理解项目的背景和要求。插件支持多种工具,包括 Task、Bash、Read、Write、Grep、MultiEdit 以及多个 MCP 功能,如 firecrawl_search 和 firecrawl_scrape,确保用户能够灵活处理各种任务。通过提供对源文件、问题编号和描述的引用,探索指令插件为开发者提供了全面的分析能力,助力高效决策与代码管理。

4.3

文档清理工具

applied-artificial-intelligence

Command

高效清理和整合Claude生成的文档杂物。 清理Claude生成的杂物并整合文档

4.3

合规审计

applied-artificial-intelligence

Command

提供框架设置和基础设施的合规审计功能。 框架设置和基础设施合规审计

3.3

推理分析专家

applied-artificial-intelligence

Agent

专注于复杂问题的深度推理与分析。 复杂分析和结构化推理专家,专注于深度问题解决

2.8

合规审计助手

applied-artificial-intelligence

Agent

智能化的合规审计工具,提升工作效率。 统一的合规审计员,用于工作进度和系统设置的智能文档验证

4.3

共享配置工具

applied-artificial-intelligence

Skill

提供项目设置命令的共享配置模式,提升开发效率。 项目设置命令的共享配置模式。提供安全钩子、Claude框架结构模板和多个设置命令中使用的框架检测模式。

2.8

测试驱动开发

applied-artificial-intelligence

Command

基于测试工程师代理的开发流程 使用测试工程师代理的测试驱动开发工作流程

2.3

代码审查工具

applied-artificial-intelligence

Command

标准化的代码审查,提升代码质量与安全性。 标准代码审查,重点关注错误、设计缺陷、无用代码和代码质量,并制定优先行动计划

3.8

文档操作助手

applied-artificial-intelligence

Command

提供统一的文档操作指令,简化文档管理。 统一的文档操作 - 获取外部文档、全局搜索和生成项目文档

4.3

统一Git操作

applied-artificial-intelligence

Command

简化Git操作,提升开发效率。 统一的Git操作 - 提交、拉取请求和问题管理

3.3

项目结构分析

applied-artificial-intelligence

Command

智能分析项目结构与架构,提升开发效率。 分析任何项目以理解其结构和架构,利用语义代码智能和结构化推理

4.3

审查包准备

applied-artificial-intelligence

Command

高效生成外部代码审查所需的审查包。 准备审查指令插件旨在高效地为外部代码审查生成全面的审查包。通过使用 RepoMix,该插件能够智能选择与审查重点相关的文件,确保仅包含必要的代码。生成的审查包包括项目背景信息,如 README、规格说明和 PRD,若内容过长则进行适当总结。此外,插件提供清晰的审查指导和方法,以帮助审查者更好地理解代码的上下文。最终输出为无行号的节省令牌的 XML 格式,确保总包裹大小保持在 100,000 tokens 以下,理想情况下显著少于此值。用户可以通过简单的命令对整个代码库或特定区域进行审查,灵活应对不同的审查需求。

3.3

自动调试助手

applied-artificial-intelligence

Command

一款智能调试与修复工具,提升应用稳定性。 通用调试和修复应用,具有语义代码分析能力 - 自动调试错误或应用审查修复

3.8

系统架构专家

applied-artificial-intelligence

Agent

提供专业的系统设计与架构决策支持。 系统设计和架构决策专家,具有结构化推理能力

2.8

测试工程师助手

applied-artificial-intelligence

Agent

智能化的测试创建与质量保证工具,提升开发效率。 测试创建、覆盖率分析和质量保证专家,具备语义代码理解能力

4.3

代码审查助手

applied-artificial-intelligence

Agent

智能化的代码审查与安全审计工具。 代码审查、文档质量、安全审计和质量保证专家,具有结构化推理和语义代码分析能力

4.3

数据建模助手

applied-artificial-intelligence

Skill

提供数据库模式设计与建模的全面指导。 数据库模式设计和数据建模模式,包括规范化原则(1NF-5NF)、反规范化权衡、实体关系设计、索引策略、模式演变和领域驱动设计模式。在设计新数据库模式、重构数据模型时激活。

4.3

错误恢复助手

applied-artificial-intelligence

Skill

提供分布式系统的错误恢复和故障处理模式。 分布式系统的错误恢复和故障处理模式,包括回滚策略、断路器、带指数退避的重试逻辑、优雅降级和补偿事务。在任务执行失败、超时发生、外部服务失败或数据库事务失败时激活。

4.6

内存更新工具

applied-artificial-intelligence

Command

用于系统化维护项目知识,确保信息准确易用。 内存更新命令用于系统化地维护项目知识,确保永久内存文件中的信息准确且易于访问。该命令定期整理学习成果,避免冗长的历史记录影响文档的清晰度。核心内存文件包括当前项目状态、代码规范、外部依赖及架构决策等,具体存放于 `.claude/memory/` 目录下。 更新触发条件包括实现重要功能、识别关键模式、对话上下文接近上限时以及解决复杂问题后。用户可通过简单的命令行指令进行全面或特定方面的内存更新,支持快速更新以便及时记录关键更改。此命令为项目团队提供了高效的知识管理工具,确保信息的及时性和准确性。

2.3

项目索引维护

applied-artificial-intelligence

Command

通过项目映射实现持久的项目理解与管理。 通过全面的项目映射创建和维护持久的项目理解

3.8

性能监控

applied-artificial-intelligence

Command

实时查看API令牌使用情况及性能指标。 查看令牌使用情况和性能指标

2.3

内存垃圾回收

applied-artificial-intelligence

Command

自动识别并清理过时的内存条目,提升系统性能。 过时内存条目的垃圾回收 - 识别并清理过时内容

2.3

历史命令搜索

applied-artificial-intelligence

Command

快速查找会话中的历史决策和讨论。 搜索会话历史以查找过去的决策、讨论和上下文

3.8

对话交接

applied-artificial-intelligence

Command

高效的对话移交机制,确保平滑过渡。 handoff 插件提供了一种高效的对话移交机制,旨在确保在接近上下文限制或焦点切换时的平滑过渡。该插件生成结构化的移交文档,包含当前工作上下文、最近决策、当前挑战及下一步任务等关键信息,以便于后续代理能够无缝接续工作。此外,插件还支持更新永久记忆,确保持久学习的记录,涵盖项目状态和架构变更等重要内容。通过在指定位置创建过渡文档,用户可以有效管理会话特定的状态和信息,为团队协作提供便利。此插件在提升工作效率和信息传递准确性方面发挥着重要作用。

3.3

继续执行

applied-artificial-intelligence

Command

简化清除后恢复工作流程的插件。 继续执行命令插件旨在简化在清除操作后恢复工作流程的过程。通过自动加载最近的交接文档,该命令能够动态查找并验证上下文,无需手动指定文件路径。使用者只需在执行 `/clear` 后运行 `/continue`,系统将自动读取并加载相关信息,确保用户能够迅速了解接下来的工作内容。 该命令遵循 Anthropic 的最佳实践,首先检查内存目录,以确保持久上下文的有效性。这一流程不仅提高了工作效率,还减少了人为错误的可能性,适用于需要频繁切换任务或恢复先前工作状态的场景。通过这一自动化手段,用户能够更专注于实际任务,而非繁琐的文件管理。

2.8

工具包初始化

applied-artificial-intelligence

Command

为新项目快速配置Claude Code环境的命令工具。 为新项目初始化Claude Code配置

3.8

自述文件钩子

applied-artificial-intelligence

Hook

提升代码质量的开发工具,专注于 Python lint 检查。 自述文件钩子是一个用于主动质量控制的开发工具,旨在提升代码质量和维护性。该钩子系统包含一个示例钩子——Ruff Check Hook,专门针对 Python 代码进行 lint 检查。该钩子在 `PostToolUse` 事件触发时运行,适用于 `.py` 文件,能够捕获多种质量问题,包括未使用的导入(F401)、未定义的名称(F821)、语法错误以及代码异味和反模式。通过实时输出 lint 检查结果,开发者可以在同一会话中快速识别并修复问题,从而提高开发效率。钩子接收的工具信息以 JSON 格式传递,确保与 Claude AI 的集成顺畅无阻。

2.3

变换器最佳实践

applied-artificial-intelligence

Skill

提供Hugging Face Transformers的最佳实践和优化技巧。 Hugging Face Transformers最佳实践,包括模型加载、分词、微调工作流和推理优化。在处理变换器模型、微调LLM、实施NLP任务或优化变换器推理时使用。

4.6

LLM评估助手

applied-artificial-intelligence

Skill

提供全面的LLM评估和测试工具。 LLM评估和测试模式,包括提示测试、幻觉检测、基准创建和质量指标。在测试LLM应用程序、验证提示质量、实施系统评估或测量LLM性能时使用。

4.6

RAG系统实施指南

applied-artificial-intelligence

Skill

全面指导RAG系统的实现与优化。 全面指南,用于实现RAG系统,包括向量数据库选择、分块策略、嵌入模型和检索优化。在构建RAG系统、实现语义搜索、优化检索质量或调试RAG性能问题时使用。

4.9