skills-best-practices

Недавно наткнулся на гайд с best practices по написанию Agent Skills на GitHub: skills-best-practices.

Он описывает стандартизированную структуру директорий, чётко разделяя основные инструкции, исполняемые скрипты и справочные файлы.

Подробно объясняется, как оптимизировать метаданные, грамотно использовать негативные триггер-слова и существенно повысить вероятность точного вызова скиллов.

Также там есть набор практических verification prompts, которые показывают, как с помощью самой LLM проверять логическую целостность и edge cases скиллов.

Ключевая идея — выносить сложные повторяющиеся операции в отдельные скрипты, оставляя модели только принятие высокоуровневых решений, тем самым эффективно контролируя расход токенов.

Контент качественный и максимально прикладной. Тем, кто хочет писать Skills, этот гайд точно стоит сохранить и изучить.

📁 Language: #Python 100.0%

⭐️ Stars: 1.7k

➡️ Cсылка на GitHub

📱 @git_developer

claude-howto

Многие нетехнические знакомые устанавливают Claude Code, запускают пару промптов — и дальше не понимают, как углубиться.

Хотя в официальной документации перечислено множество возможностей, нет понимания, как их комбинировать и с чего вообще начинать обучение.

Случайно наткнулся на структурированный практический туториал для Claude Code на GitHub — claude-howto.

Он включает 10 учебных модулей и шаблоны конфигураций, которые можно сразу копировать и использовать, а также блок-схемы, показывающие внутреннюю работу каждой фичи.

От slash-команд, системы памяти и настройки скиллов — до sub-agents, hook-скриптов и разработки плагинов, всё выстроено от beginner к advanced уровню.

В каждом модуле есть встроенные квизы, которые можно пройти после завершения, чтобы выявить пробелы в знаниях. Весь курс занимает примерно 11–13 часов, но уже через 15 минут можно начать практику с первым шаблоном.

Если ты используешь Claude Code только для базовых диалогов и хочешь реально раскрыть его эффективность — этот гайд точно стоит пройти хотя бы один раз.

📁 Language: #Python 92.2%

⭐️ Stars: 3.7k

➡️ Cсылка на GitHub

📱 @git_developer

chandra

При работе с текстом в PDF и изображениях — особенно в документах, где вперемешку идут таблицы, формулы и рукописный текст — результаты традиционного OCR часто превращаются в полный хаос, с потерей всей разметки.

Сегодня наткнулся на ещё одну новую open-source модель OCR: Chandra OCR 2. Она умеет напрямую конвертировать изображения и PDF в структурированные Markdown, HTML или JSON, при этом сохраняя исходный layout.

Поддерживает более 90 языков и заняла первое место в комплексном leaderboard’е по мультиязычному OCR, показывая сильные результаты в распознавании математических формул, сложных таблиц и рукописного текста.

Одна из самых практичных фич — точное восстановление структуры форм, включая такие детали, как чекбоксы, а также возможность извлекать графики из документов и автоматически генерировать их описания. Одной командой можно обрабатывать как один файл, так и целую директорию.

Если ты часто конвертируешь сканы, научные статьи или мультиязычные документы в редактируемые форматы — стоит попробовать: точность распознавания китайского языка достигает примерно 89%.

📁 Language: #Python 76.8%

⭐️ Stars: 7.6k

➡️ Cсылка на GitHub

📱 @git_developer

airecon

Проведение пентестов безопасности почти всегда требует вручную запускать кучу инструментов и многократно вводить команды — процесс не только утомительный, но и при использовании ИИ возникают опасения утечки данных цели.

Поэтому я нашёл AIRecon на GitHub — это open-source инструмент для пентеста с ИИ, который полностью работает офлайн, и все данные остаются на локальной машине.

Он запускает большую языковую модель локально, в связке с sandbox-окружением Kali Linux, и автоматически проходит весь процесс пентеста через четыре этапа: разведка (reconnaissance), анализ (analysis), эксплуатация (exploitation) и отчётность (reporting) — без необходимости в API-ключе.

В комплекте идёт 57 встроенных skill-файлов, которые автоматически подбирают соответствующие стратегии пентеста по ключевым словам.

Поддерживаются мультиагентное параллельное тестирование, автоматизация браузера, fuzzing API, а также автоматическое удаление дубликатов уязвимостей при формировании отчёта.

Прерванные тесты можно в любой момент продолжить, а весь процесс в реальном времени отображается в терминальном интерфейсе.

Если вы регулярно занимаетесь кибербезопасностью и предъявляете повышенные требования к приватности данных, это офлайн-решение определённо стоит попробовать.

📁 Language: #Python 98.6%

⭐️ Stars: 273

➡️ Cсылка на GitHub

📱 @git_developer

agentic-soc-platform

Команда безопасности сталкивается с сотнями или тысячами оповещений каждый день. Ручное расследование не только требует много времени и сил, но и может привести к пропуску угроз, которые требуют внимания.

Вы можете ознакомиться с платформой Agentic SOC, open-source решением для операций безопасности, которое использует AI-агентов для автоматизации обработки оповещений.

Она поставляется с встроенными AI-шаблонами, такими как Langgraph и Dify, поддерживает интеграцию с локальными большими языковыми моделями и помогает автоматически анализировать оповещения и выполнять ответы.

Платформа позволяет быстро настраивать интерактивные интерфейсы, модели данных и рабочие процессы, а также поддерживает интеграцию с популярными платформами, такими как Splunk и Kibana, с возможностью хранения всех данных локально.

Она подходит как для корпоративных операций безопасности, так и для друзей, которые хотят использовать AI для повышения эффективности экстренных реагирований — попробуйте её, развернув на своем сервере.

📁 Language: #Python 100%

⭐️ Stars: 670

➡️ Cсылка на GitHub

📱 @git_developer

ai-legal-claude

При подписании коммерческих контрактов или работе с аутсорсом плотные юридические формулировки часто перегружают, а разовая проверка у профессионального юриста может стоить несколько тысяч.

Поэтому на GitHub нашли AI Legal Assistant — AI-ассистента для юридических задач, который может провести ревью контракта за 60 секунд и генерировать юридические документы.

Это плагин для Claude Code: устанавливается одной командой, после чего можно передать файл контракта. Внутри работают 5 AI-агентов, которые параллельно анализируют условия, оценивают риски, выставляют safety score и дают рекомендации по правкам.

Помимо проверки контрактов, инструмент умеет генерировать NDA, условия использования (Terms of Service), политику конфиденциальности и другие типовые юридические документы.

Также может сравнивать две версии контракта, показывать различия и переводить юридические формулировки на понятный язык. Итоговый отчёт можно экспортировать в PDF с графиками.

Если вы фрилансер или небольшая команда и хотите быстро провести предварительный анализ перед подписанием контракта — этот инструмент стоит сохранить.

Важно: он не заменяет профессионального юриста, но помогает выявить потенциальные риски в условиях.

📁 Language: #Python 77.8%

⭐️ Stars: 170

➡️ Cсылка на GitHub

📱 @git_developer

There Is No Spoon

Многие опытные разработчики легко справляются со сложными программными системами, но когда дело доходит до машинного обучения, экран, заполненный математическими формулами, мешает сформировать интуитивное инженерное понимание.

Недавно наткнулся на open-source туториал There Is No Spoon на GitHub — вводное руководство по машинному обучению, специально ориентированное на инженеров.

Вместо сухого, учебникового изложения он преобразует абстрактные концепции ML в аналогии из физики и инженерии, которые нам знакомы.

Нейроны сравниваются с поляризационными фильтрами, глубина модели — с оригами, и используются максимально простые объяснения, чтобы переосмыслить базовое понимание алгоритмов.

Контент покрывает три основных блока: базовые концепции, популярные архитектуры (свёрточные, attention, рекуррентные сети, state space модели и т.д.), а также gating-механизмы как практический инструментарий для систем управления.

Фокус не на заучивании математических выводов, а на том, как выбирать инструменты под конкретные задачи и понимать компромиссы при выборе архитектуры.

Весь туториал — это один Markdown-файл с 12 визуализациями. Рекомендуется читать его вместе с AI-ассистентом — загрузить текст и разбирать разделы в диалоге для лучшего понимания.

Если у тебя есть бэкграунд в программировании и ты хочешь быстро разобраться в машинном обучении, этот туториал стоит сохранить и пройти с самого начала.

📁 Language: #Python 100.0%

⭐️ Stars: 628

➡️ Cсылка на GitHub

📱 @git_developer

agentic-metric

При написании кода с использованием Claude Code и Codex у меня всегда не было понимания, сколько токенов я потратил и каковы расходы, а проверка ежедневного использования — это сплошная морока.

Можно установить open-source инструмент под названием Agentic Metric — по сути, это как «монитор ресурсов» для агентов: все данные остаются локально, без сети и без какой-либо загрузки.

Просто открываешь real-time дашборд прямо в терминале; он автоматически определяет запущенные агентные процессы, а использование токенов и оценка стоимости видны сразу.

Также поддерживаются популярные инструменты, такие как Claude Code, Codex, VS Code Copilot, OpenCode, Qwen Code и другие, при этом можно смотреть исторические тренды за 30 дней и ежедневные сводки.

В комплекте есть встроенный прайс-лист для распространённых моделей, и ты можешь добавлять или переопределять цены вручную. Также можно встроить сводку затрат в статус-бары tmux или vim, чтобы в любой момент видеть текущие расходы.

Если ты используешь несколько AI-инструментов для кодинга и хочешь понять, куда уходят все твои токены, этот инструмент стоит установить.

📁 Language: #Python 100.0%

⭐️ Stars: 119

➡️ Cсылка на GitHub

📱 @git_developer

reverse-SynthID

Это инструмент для обратного инжиниринга технологии SynthID от Google DeepMind, предназначенной для встраивания невидимых водяных знаков в контент, сгенерированный искусственным интеллектом.

Программа анализирует изображения, помеченные SynthID, и пытается извлечь или удалить встроенные водяные знаки, делая их недоступными для обнаружения.

📁 Language: #Python 100.0%

⭐️ Stars: 522

➡️ Cсылка на GitHub

📱 @git_developer

Hermes HUD

При использовании AI-агентов в работе самая раздражающая вещь — это отсутствие понимания, что происходит у них «внутри»: что они запомнили, на каком шаге находится задача — всё как чёрный ящик.

Недавно наткнулся на проект Hermes HUD на GitHub. Он даёт агентам дашборд, который визуализирует их память, развитие и операционное состояние — всё наглядно.

Сделан специально для Hermes-агентов: читает данные агента в реальном времени и отображает их в 9 вкладках по разным аспектам. Открываешь — и сразу видно реальное состояние агента.

Также есть логирование ошибок: фиксируется каждая ошибка агента и то, чему он на ней «научился».

Можно делать сравнение snapshot’ов роста — смотреть, что изменилось у агента со вчера на сегодня. Есть трекинг проектов, мониторинг запланированных задач и проверка runtime-состояния.

В комплекте 4 киберпанк-темы — в терминале выглядит довольно эффектно. Поддерживаются macOS и Linux: достаточно склонировать репозиторий и настроить.

Если используешь Hermes-агентов и хочешь в любой момент видеть их полную операционную картину — этот дашборд стоит поставить.

📁 Language: #Python 99.7%

⭐️ Stars: 309

➡️ Cсылка на GitHub

📱 @git_developer

AgentHandover

Используя AI-агентов для выполнения задач, я хочу выстроить общую структуру своего workflow и создать Skill, чтобы агент «обучался» нашим процессам.

Я наткнулся на проект AgentHandover, который автоматически дистиллирует рабочие процессы в «skill manuals», которые AI-агенты могут напрямую исполнять, наблюдая за реальными действиями пользователя на Mac.

Достаточно просто работать как обычно — инструмент в фоне выявляет повторяющиеся процессы и автоматически генерирует полноценную документацию навыков: шаги, стратегии, логику принятия решений и даже ваш стиль написания.

Что ещё важнее — эти навыки не «застывают» после создания: агент пересматривает и оптимизирует Skill после каждого выполнения, делая его точнее с каждым использованием.

Все данные обрабатываются локально, скриншоты удаляются после аннотации, пароли и ключи автоматически маскируются, также есть интеграция в один клик с популярными инструментами вроде Claude Code и Codex.

Если у вас много повторяющихся задач в повседневной работе, которые вы хотите делегировать агенту, но не хотите каждый раз вручную описывать workflow — на этот инструмент стоит обратить внимание.

📁 Language: #Python 75.1%

⭐️ Stars: 521

➡️ Cсылка на GitHub

📱 @git_developer

ATLAS

Написание кода с использованием локальных больших моделей приводит к нестабильному качеству вывода, из-за чего требуется многократная отладка и доработка — это неудобно и в итоге менее эффективно, чем просто вызывать API напрямую.

Open-source проект ATLAS предлагает интересный подход: вместо fine-tuning модели он оборачивает её в интеллектуальный пайплайн, позволяя локальным малым моделям генерировать код высокого качества.

Он автоматически генерирует несколько кандидатных решений, валидирует их через sandboxing и механизмы самовосстановления, итеративно отбирая оптимальный вариант, при этом весь процесс полностью выполняется офлайн, а данные остаются на локальной машине.

Даже на потребительской видеокарте с 16 ГБ VRAM он достигает производительности в задачах кодинга, близкой к передовым API-моделям.

Также он предоставляет интерактивный инструмент командной строки: достаточно ввести команду в директории проекта, чтобы начать работу — сложная логика автоматически запускает полный пайплайн, а простые файлы генерируются за секунды.

Если вы хотите запускать надёжного AI-ассистента для кодинга локально, без зависимости от облачных API и оплаты токенов, на этот проект стоит обратить внимание.

📁 Language: #Python 81.4%

⭐️ Stars: 1.8k

➡️ Cсылка на GitHub

📱 @git_developer