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