> Architecture Patterns _

Основные соглашения фреймворка ABP: система модулей, регистрация DI, базовые классы (ApplicationService, DomainService), IClock, BusinessException, локализация, асинхронные паттерны. Применяйте, когда работаете над проектом на ABP, задаете вопросы об основах ABP или не уверены, какой навык подходит.

Улучшение архитектуры приложений – критически важная задача для обеспечения долгосрочной стабильности и расширяемости проекта. Этот репозиторий предлагает методологию и инструменты для выявления и устранения архитектурных проблем в существующем коде, способствуя созданию глубоких модулей, что напрямую влияет на качество и поддерживаемость системы. Инструменты позволяют проводить глубокий анализ кодовой базы, выявлять области с высокой степенью связанности и сложности, а также автоматически генерировать запросы на рефакторинг (Refactoring RFC) в формате GitHub issue. Решения, основанные на паттернах проектирования, позволяют упростить понимание и модификацию кода, повышая его тестируемость и снижая риски при внесении изменений. В результате применения предлагаемого подхода, вы получаете более модульную, тестируемую и понятную кодовую базу, готовую к масштабированию и дальнейшему развитию. Это способствует созданию масштабируемой системы с улучшенной архитектурой, позволяющей эффективно решать будущие задачи и адаптироваться к изменяющимся требованиям.

Рекомендации и архитектурные паттерны для NestJS, позволяющие создавать production-ready приложения. Эти знания пригодятся при написании, ревью и рефакторинге кода NestJS, чтобы обеспечить корректное использование паттернов для модулей, внедрения зависимостей, безопасности и производительности.

25 продвинутых инженерных навыков и плагинов для Claude Code, Codex, Gemini CLI, Cursor, OpenClaw. Проектирование агентов, RAG, серверы для Minecraft, CI/CD, проектирование баз данных, мониторинг, аудит безопасности, управление релизами, DevOps.

Двухуровневая архитектура памяти для фиксации решений на заседаниях совета директоров. Управляет необработанными стенограммами (1-й уровень) и утвержденными решениями (2-й уровень). Используется при документировании решений после заседания совета директоров, просмотре прошлых решений через `/cs:decisions` или проверке просроченных задач через `/cs:review`. Автоматически вызывается навыком для проведения собраний совета директоров после одобрения основателем на 5-м этапе.

Архитектурные паттерны для расширений Webiny, ориентированные на админ-панель. Применяйте их при создании функциональности фронтенда с использованием подходов без головы (UseCase/Repository/Gateway), отображения (Presenter/ViewModel/хуки/компоненты), презентеров на базе MobX, RegisterFeature и Admin BuildParams. Охватывает структуру директории `admin/` для слоёв features и presentation.

Этот навык охватывает архитектуру API и бэкенда во всей Webiny. Здесь собраны общие принципы: обзор архитектуры, различия между сервисами и сценариями использования, правила именования и организации функций, шаблоны структуры функций, дерево принятия решений по внедрению зависимостей, антипаттерны, команды `createFeature` и `createAbstraction`, регистрация контейнеров, обработка ошибок предметной области, паттерны сущностей, соглашения об именовании, правила области видимости и кодовые соглашения. Используйте этот навык для любых задач, связанных с бэкенд API — он содержит ссылки на более детальные навыки для глубокой реализации.

Обеспечивает оптимизацию и эффективное использование большой языковой модели (LLM) для решения сложных задач. Специалист в области разработки запросов (Prompt Engineer) старшего уровня проектирует, разрабатывает и внедряет стратегии создания запросов, а также оценивает производительность AI-агентов, использующих искусственный интеллект. Работа включает в себя оптимизацию токенов, повышение ясности и точности ответов. Разрабатывает и поддерживает инструменты для оптимизации запросов (Prompt Optimizer), оценки качества извлечения информации (RAG Evaluator) и визуализации рабочих процессов AI-агентов (Agent Orchestrator). Владеет Python, YAML, а также имеет опыт работы с API LLM (Claude, Codex, Gemini) и Bash. Отвечает за проектирование эффективных рабочих процессов, включая разработку примеров для обучения (Few-Shot Learning) и структурирование выходных данных. Ключевая задача – максимизация производительности и точности большой языковой модели в различных сценариях применения.

Создаёт безопасные фуллстэк веб-приложения, интегрируя фронтенд и бэкенд компоненты с многоуровневой защитой. Охватывает весь стек — от базы данных до UI, обеспечивая аутентификацию, валидацию входных данных, экранирование выходных данных и параметризованные запросы на всех уровнях. Используйте при реализации фич, затрагивающих фронтенд и бэкенд, при создании REST API с соответствующим UI, при подключении фронтенд компонентов к бэкенд эндпоинтам, при построении сквозных потоков данных от базы данных до UI или при реализации CRUD операций с UI формами. Отличается от навыков, ориентированных только на фронтенд, только на бэкенд или только на API, поскольку одновременно решает все три перспективы — фронтенд, бэкенд и безопасность — в рамках единого рабочего процесса. Применяйте для работы над фуллстэк фичами, разработки веб-приложений, аутентифицированных API маршрутов с представлениями, микросервисов, функций реального времени, архитектуры монорепозитория или при принятии решений о выборе технологий.

RWKV представляет собой инновационную архитектуру, решающую проблему вычислительной сложности при создании и развертывании искусственного интеллекта, в частности, больших языковых моделей. Она обеспечивает эффективное решение, объединяя преимущества параллельного обучения, характерного для Transformers, с эффективностью инференса, присущей рекуррентным нейронным сетям (RNN). Это позволяет создавать более быстрые и экономичные AI-агенты. Ключевые особенности реализации RWKV включают в себя параллельное обучение, обеспечивающее высокую скорость тренировки, и эффективный инференс благодаря архитектуре, основанной на RNN. Модель поддерживает режимы работы как GPT (для параллельной обработки), так и RNN (для последовательной обработки), а также использует JIT компиляцию и потоковую генерацию текста для оптимизации производительности. В качестве технологической базы используются Python, PyTorch, CUDA и Transformers. Для начала работы требуется установка необходимых зависимостей, включая PyTorch и библиотеки, такие как pytorch-lightning и deepspeed. Модель RWKV может быть загружена и использована как в режиме GPT, так и в режиме RNN, что позволяет гибко адаптировать ее к различным задачам обработки естественного языка и разработки искусственного интеллекта.

Обязательно выполняй это перед любой задачей по написанию кода. Определяет сложность, выявляет локальные соглашения, находит пригодные для повторного использования шаблоны и предотвращает слепое кодирование. Применяй этот подход перед написанием или изменением кода.

Помогите пользователям написать своё первое правило Buck2, чтобы они освоили базовые концепции: правила, действия, цели, конфигурации, анализ и `select()`. Это пригодится, когда пользователи захотят попрактиковаться в основах Buck2 или им нужна помощь в написании правил.

Выявляй и устраняй ошибки моделей в сервисах Pollinations. Анализируй логи, находи закономерности в ошибках, определяй, какие пользователи пострадали. Информацию о работе с уровнями пользователей смотри в отдельном навыке управления уровнями.

Этот навык охватывает проектирование и реализацию защищённых зон и каналов для систем промышленной автоматизации и управления (IACS) в соответствии с IEC 62443-3-2. Он включает в себя сегментацию зон на основе оценки рисков, назначение целевых уровней безопасности (SL-T), проектирование средств защиты каналов, внедрение микросегментации с использованием промышленных файрволов и проверку архитектуры зон посредством анализа трафика и пентестов, ориентированных на модель Purdue.

Этот навык включает в себя развёртывание систем обнаружения аномалий для промышленных систем управления, используя модели машинного обучения, обученные на основе базовых данных OT-сети, физических моделей процессов и анализа поведения промышленных протоколов. Он охватывает создание профилей нормального поведения для шаблонов опроса SCADA, выявление отклонений в трафике Modbus/DNP3/OPC UA, обнаружение несанкционированных устройств и сопоставление сетевых аномалий с данными физических процессов из архивов.

Этот навык охватывает внедрение сетевой сегментации в средах операционных технологий (OT) с использованием VLAN, промышленных файрволов, каналов данных и программно-определяемых сетей. Он включает в себя стратегию сегментации на основе модели Purdue, миграцию из плоских сетей в сегментированные архитектуры без прерывания работы, настройку файрволов, учитывающих особенности OT, с глубоким анализом пакетов промышленных протоколов, и проверку эффективности сегментации посредством анализа трафика.

Двухуровневая архитектура памяти для фиксации решений на заседаниях совета директоров. Управляет необработанными стенограммами (1-й уровень) и утвержденными решениями (2-й уровень). Используйте при документировании решений после заседания совета, просмотре прошлых решений через `/cs:decisions` или проверке просроченных задач через `/cs:review`. Автоматически вызывается навыком для проведения собраний совета директоров после одобрения основателем на 5-м этапе.

Комплексный навык для ИИ-агента, позволяющий управлять, проектировать и устранять неполадки в технической инфраструктуре. Охватывает облачную архитектуру, настройку серверов, сетевое взаимодействие, защиту от угроз, оптимизацию затрат, реагирование на инциденты и инфраструктуру как код. Помогает инженерам, DevOps-специалистам и техническим основателям создавать надёжные, безопасные, масштабируемые и экономичные системы — и быстро их чинить, когда что-то идёт не так.

Генерируй качественные примеры, антипримеры и граничные случаи для навыков, улучшая маршрутизацию и понятность. Используй для навыков, рабочих процессов маршрутизации; не используй для общих примеров, игнорируя сценарии ложных срабатываний.

Навыки выполнения кода для фуллстэк-разработчика. Сейчас в продакшене используется только Claude для простых задач, для задач средней сложности предпочитаем ACP или прямой AC PX, а сложные задачи решаем с помощью существующих агентов, сохраняющих контекст и используя файлы, вместо сохранения сессии ACP. Интегрируется с QMD и умной памятью агента, когда это возможно.

Позволяет проверять цепочки зависимостей навыков в композициях агентов — выявляя риски, когда прямые зависимости навыка кажутся безопасными, но зависимость от зависимости вносит уязвимость, которая распространяется по всей цепочке.

Навык для основных агентов, которым требуется ограниченная делегация, безопасная параллельная обработка и независимое принятие решений между несколькими специалистами.

Комплексные навыки DevOps для CI/CD, автоматизации инфраструктуры, контейнеризации и облачных платформ (AWS, GCP, Azure). Включает настройку пайплайнов, инфраструктуру как код, автоматизацию деплоя и мониторинг. Применяйте при создании пайплайнов, деплое приложений, управлении инфраструктурой, внедрении мониторинга или оптимизации процессов деплоя.

Выступает в роли ведущего архитектора систем, проектируя надёжные, масштабируемые и поддерживаемые архитектуры ПО. Следит за соблюдением отраслевых стандартов (PEP 8 для Python, ESLint для JS/TS), принципов модульного дизайна и лучших практик безопасности. Применяйте этот навык, когда пользователь начинает новый проект, рефакторит существующий или обсуждает высокоуровневый системный дизайн.

Умение работать с RX — встроенным хранилищем данных для JSON-подобных структур, обеспечивающим произвольный доступ для чтения, быстрый поиск без парсинга и текстово-безопасный бинарный формат кодирования.

Навык для исследования внутренней кодовой базы с разной степенью погружения (быстрый обзор/глубокий анализ/архитектура).

Оркестратор воркфлоу для мета-навыков, помогающий в расследовании и решении багов. Автоматически переключается между дебагом, реализацией, тестированием и коммитом, исходя из области видимости проблемы.

При проектировании или создании макетов дашбордов Vizro учитывайте конфигурацию сетки, размеры компонентов, расположение фильтров/параметров, типы селекторов и паттерны контейнеров. Активируйте эту функцию, когда создаёте вайрфреймы, определяете структуру страницы, размещаете элементы управления или настраиваете размеры графиков.

proactive-agent – это архитектура для AI-агентов, разработанная для решения проблемы пассивного поведения и обеспечения непрерывной работы. Репозиторий автоматизирует управление навыками, полученными из Clawhub, с акцентом на проактивность, устойчивость и самосовершенствование, используя передовые методы для повышения эффективности и надежности. Ключевые особенности включают в себя протокол Write-Ahead Logging (WAL), обеспечивающий целостность данных и возможность восстановления после сбоев, а также механизмы уплотнения контекста для эффективного управления памятью. Использование большой языковой модели в сочетании с искусственным интеллектом позволяет агенту предвидеть потребности и адаптироваться к изменяющимся условиям. Внедрены автономные Cron-задачи и унифицированный поиск для оптимизации рабочих процессов. Техническая реализация построена на Python и Clawhub API, с использованием протоколов ADL/VFM и AI-агентов для обеспечения гибкости и масштабируемости. Функциональность включает верификацию реализации, а не только намерения, а также контрольный список миграции инструментов для обеспечения бесперебойной работы и безопасности.

Решение проблемы непредсказуемости и необходимости постоянной ручной настройки AI-агентов – ключевая задача proactive-agent-lite. Этот модуль, основанный на фреймворке OpenClaw, архивирует и предоставляет шаблоны проактивного поведения, позволяя вашим AI-агентам предвидеть потребности и непрерывно совершенствоваться, используя возможности искусственного интеллекта. В основе proactive-agent-lite лежит инновационная Memory Architecture с функцией pre-compaction flush, а также Reverse Prompting для выявления скрытых потребностей. Встроенные Alignment Systems обеспечивают соответствие заданным целям, а Self-Healing Patterns – автоматическое исправление ошибок, что значительно упрощает поддержку и повышает надежность. Используется Python и LLM для реализации. proactive-agent-lite – это эффективный способ внедрения большой языковой модели в процессы, требующие автономности и адаптивности. Модуль позволяет создавать AI-агентов, способных не только выполнять задачи, но и генерировать ценные инсайты и возможности, повышая общую эффективность работы.