Fähigkeiten project-development
📦

project-development

Inhaltsrevision r1 Mittleres Risiko 📁 Dateisystemzugriff⚙️ Externe Befehle🌐 Netzwerkzugriff

LLM-Projektentwicklung planen

LLM-Projekte scheitern, wenn Teams automatisieren, bevor sie Aufgabenpassung, Kosten und Architektur validiert haben. Diese Skill führt Claude, Codex und Claude Code durch Validierung, Pipeline-Design, Schätzung und Iteration.

Unterstützt: Claude Codex Code(CC)
Maintain this Skill? Claim it ⚠️ 50 Schlecht

Mit meinem Agent installieren

Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.

Agent-Anfrage
Review the Skillstore skill "project-development" from https://skillstore.io/skills/chakshugautam-project-development.md and its manifest at https://skillstore.io/api/skills/chakshugautam-project-development/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.

Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.

Agent-lesbare Ressourcen

Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.

Markdown-Detailseite GET /skills/chakshugautam-project-development.md Signiertes manifest GET /api/skills/chakshugautam-project-development/manifest Signiertes lockfile GET /api/skills/chakshugautam-project-development/lockfile

Testen

„project-development“ wird verwendet. Ein Team möchte 2.000 Support-Tickets mit einem LLM zusammenfassen.

Erwartetes Ergebnis:

Die Skill empfiehlt zuerst eine manuelle Stichprobe und anschließend eine gestufte Batch-Pipeline. Sie kennzeichnet Token-Kosten, Klassifizierungsgenauigkeit, Wiederholungsbehandlung und strukturiertes Parsing als Planungspunkte.

„project-development“ wird verwendet. Ein Entwickler fragt, ob er ein Multi-Agent-Recherchesystem bauen soll.

Erwartetes Ergebnis:

Die Skill vergleicht eine einfache Pipeline mit einem Multi-Agent-Design. Sie empfiehlt Multi-Agent nur, wenn Kontextisolierung oder parallele Recherche die zusätzlichen Kosten rechtfertigen.

„project-development“ wird verwendet. Ein Datenanalyst benötigt einen wiederholbaren LLM-Berichtsgenerator.

Erwartetes Ergebnis:

Die Skill skizziert separate Stufen für acquire, prepare, process, parse und render. Sie ergänzt Caching, Kostenschätzung und Behandlung von Parser-Fehlern.

Sicherheitsaudit

Mittleres Risiko
v8 • 5.7.2026 Versionsbericht öffnen

Most static detections are false positives from Markdown fences, reference URLs, CSS, and example text. The executable pipeline template does perform local file writes and cleanup using unvalidated batch and item identifiers. No evidence found of credential exfiltration, malicious network access, shell execution, or embedded prompt injection commands.

4
Gescannte Dateien
2,021
Analysierte Zeilen
6
Prüfelemente
0
Falschmeldungen ignoriert

Bestätigte Sicherheitsbedenken (2)

Mittel
scripts/pipeline_template.py:94-106scripts/pipeline_template.py:620-623scripts/pipeline_template.py:508-553
Unvalidated Path Components in Pipeline Template
The executable template builds data and output paths from batch_id and item_id without validating safe path segments. A crafted identifier could redirect writes or cleanup outside the intended directories.
batch_id comes from CLI input and is joined with data and output roots. Exploitability depends on user input and source customization, so confidence is high but not absolute.
Niedrig
scripts/pipeline_template.py:37-63scripts/pipeline_template.py:203-208scripts/pipeline_template.py:270-285
Prompt Injection Exposure in Example LLM Pipeline
The template places source title and content directly into an LLM prompt without explicit untrusted-data handling. Malicious source content could alter the requested format or manipulate downstream parsing.
The prompt interpolation is direct and source content is treated as model input. No malicious payload is present in the skill, so this is an exposure rather than an active attack.
Elemente der Fähigkeitsprüfung (6)

Dies sind echte lokale Fähigkeiten, die für diese Fähigkeit erwartet werden können; daher müssen sie überprüft werden, werden jedoch nicht als bestätigtes bösartiges Verhalten gezählt.

Mittel
scripts/pipeline_template.py:137
Python file write/append
with open(raw_file, "w") as f:
Executable template writes raw item data under data/{batch_id}/{item_id}. Batch and item identifiers are not validated, so untrusted values could redirect writes.
Mittel
scripts/pipeline_template.py:195
Python file write/append
with open(prompt_file, "w") as f:
Executable template writes generated prompts under directories built from batch_id and item_id. Unvalidated path components can redirect writes outside intended data paths.
Mittel
scripts/pipeline_template.py:250
Python file write/append
with open(response_file, "w") as f:
Executable template writes LLM responses to response.md in a user-derived item directory. Untrusted identifiers can redirect the output file.
Mittel
scripts/pipeline_template.py:335
Python file write/append
with open(parsed_file, "w") as f:
Executable template writes parsed results under user-derived item directories. The path depends on batch_id and item_id and lacks confinement checks.
Mittel
scripts/pipeline_template.py:348
Python file write/append
with open(agg_file, "w") as f:
Executable template writes all_results.json under data/{batch_id}. A crafted batch_id can redirect the write outside the intended data directory.
Mittel
scripts/pipeline_template.py:456
Python file write/append
with open(output_file, "w") as f:
Executable template writes rendered HTML under output/{batch_id}. A crafted batch_id can redirect the output path.

Risikofaktoren

📁 Dateisystemzugriff (12)
references/pipeline-patterns.md:309 references/pipeline-patterns.md:485 references/pipeline-patterns.md:500 references/pipeline-patterns.md:505 references/pipeline-patterns.md:529 references/pipeline-patterns.md:608 scripts/pipeline_template.py:137 scripts/pipeline_template.py:195 scripts/pipeline_template.py:250 scripts/pipeline_template.py:335 scripts/pipeline_template.py:348 scripts/pipeline_template.py:456
⚙️ Externe Befehle (9)
SKILL.md:72-74 SKILL.md:74-88 SKILL.md:88-94 SKILL.md:94-116 SKILL.md:116-130 SKILL.md:130-158 SKILL.md:158-160 SKILL.md:160-190 SKILL.md:190-210
🌐 Netzwerkzugriff (2)
SKILL.md:329 SKILL.md:330
Geprüft von: codex Audit-Verlauf anzeigen →
Diesen Bericht teilen & zitieren

Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.

Versionsbericht öffnen
Sicherheitsbewertung

Berichtslink kopieren

https://skillstore.io/skills/chakshugautam-project-development/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report

Markdown-Badge

[![Skillstore security assessment](https://skillstore.io/badges/skills/chakshugautam-project-development/security.svg)](https://skillstore.io/skills/chakshugautam-project-development?utm_source=security_passport_badge)

HTML-Badge

<a href="https://skillstore.io/skills/chakshugautam-project-development?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/chakshugautam-project-development/security.svg" alt="Skillstore security assessment" loading="lazy"></a>

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/chakshugautam-project-development.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>
Wissenschaftliche Zitate (APA · BibTeX · CFF)

APA-Zitat

ChakshuGautam. (2026). project-development security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/chakshugautam-project-development/audits/8

BibTeX-Zitat

@techreport{chakshugautam-chakshugautam-project-development-2026, author = {ChakshuGautam}, title = {project-development security audit report (audit version 8)}, institution = {Skillstore}, year = {2026}, number = {8}, url = {https://skillstore.io/skills/chakshugautam-project-development/audits/8}, note = {Author version unspecified} }

CITATION.cff

cff-version: 1.2.0 message: "If you use this Skill, cite its author and this versioned security audit report." title: "project-development security audit report (audit version 8)" version: "unspecified" type: report authors: - name: "ChakshuGautam" date-released: "2026-07-05" url: "https://skillstore.io/skills/chakshugautam-project-development/audits/8" identifiers: - type: other value: "skillstore:chakshugautam-project-development:audit:8" description: "Skillstore immutable audit report identifier"

Varianten vergleichen

2 installierbare Varianten

Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.

Warum diese Variante zuerst steht

Höhere Skillstore-Nutzung
muratcankoylan Empfohlen

muratcankoylan-project-development

Skillstore-Score 50
Evidenzvertrauen Hoch
Skillstore-Nutzung 19
Aktualisiert

2026-09-09

ChakshuGautam Aktuell

chakshugautam-project-development

Skillstore-Score 50
Evidenzvertrauen Hoch
Skillstore-Nutzung 13
Aktualisiert

2026-09-09

Skillstore-Score

Warum dieser Score Evidenzvertrauen: Hoch
64
Architektur
85
Wartbarkeit
87
Inhalt
71
Gemeinschaft
83
Spezifikationskonformität

Was Sie erstellen können

Eine neue LLM-Idee validieren

Aufgabenpassung, erwartete Fehlertoleranz, Ausgabeanforderungen und manuelle Prototypschritte prüfen, bevor Automatisierung gebaut wird.

Eine Batch-Pipeline entwerfen

Datenerfassung, Prompt-Vorbereitung, LLM-Verarbeitung, Parsing und finales Rendering in separate Stufen abbilden.

Eine Agentenarchitektur auswählen

Einfache Pipelines, einzelne Agenten und Multi-Agent-Designs anhand von Kontext-, Kosten- und Komplexitätsgrenzen vergleichen.

Diese Prompts ausprobieren

Aufgabenpassung validieren 
Evaluate whether this task fits an LLM workflow. Identify inputs, desired outputs, error tolerance, manual prototype steps, and reasons to use traditional code instead. Task: [describe task].
Eine Batch-Pipeline entwerfen 
Design a staged batch pipeline for this workload. Include acquire, prepare, process, parse, and render stages. Explain file state, retries, caching, and test checkpoints. Workload: [describe workload].
Kosten und Skalierung schätzen 
Estimate the cost and scale risks for this LLM pipeline. Use item count, input tokens, output tokens, retries, parallelism, and model choice. State assumptions clearly. Pipeline: [describe pipeline].
Architektur-Kompromisse prüfen 
Review this LLM project architecture for unnecessary complexity, weak task-model fit, parsing risks, prompt injection exposure, cost surprises, and simpler alternatives. Architecture: [paste design].

Bewährte Praktiken

  • Ein repräsentatives Beispiel manuell validieren, bevor Automatisierung geschrieben wird.
  • LLM-Aufrufe in einer separaten, cachebaren Prozessstufe halten.
  • Kosten früh schätzen und die tatsächliche Nutzung während der Entwicklung verfolgen.

Vermeiden

  • Eine vollständige Pipeline bauen, bevor der Task-Model-Fit getestet wurde.
  • Erfassung, LLM-Aufrufe, Parsing und Rendering in einem einzigen Skript kombinieren.
  • Annehmen, dass strukturierte Modellausgaben immer dem angeforderten Format entsprechen.

Häufig gestellte Fragen

Welche Art von Projekten unterstützt diese Skill?
Sie unterstützt LLM-Batch-Pipelines, agentengestützte Entwicklungspläne, Architekturentscheidungen und Workflows zur Kostenschätzung.
Ruft sie standardmäßig externe Dienste auf?
Nein. Die enthaltene Python-Vorlage verwendet eine simulierte LLM-Antwort, bis Benutzer ihren eigenen API-Client hinzufügen.
Kann sie dabei helfen zu entscheiden, ob ein LLM unnötig ist?
Ja. Sie enthält Kriterien für die Wahl von traditionellem Code, wenn Präzision, Latenz oder Determinismus wichtiger sind.
Enthält sie ausführbaren Code?
Ja. Sie enthält eine Python-Batch-Pipeline-Vorlage, die lokale Daten- und Ausgabedateien erstellt.
Was sollten Benutzer prüfen, bevor sie die Vorlage ausführen?
Benutzer sollten Dateipfade, Batch-Identifikatoren, Element-Identifikatoren und das Bereinigungsverhalten in einem sicheren Arbeitsverzeichnis prüfen.
Kann sie Multi-Agent-Systeme entwerfen?
Sie kann Single-Pipeline- und Multi-Agent-Ansätze vergleichen, aber eine tiefere Multi-Agent-Implementierung erfordert separate Designarbeit.

Entwicklerdetails

Lizenz

MIT

Skillstore-Revision

r1

Versionshinweis

Der Autor hat keine Version angegeben.

Repository

https://github.com/ChakshuGautam/games/tree/main/.claude/skills/project-development

Ref.

02f077c174c5335e2f5d02ca15e77b70d9543e58

Aktualität der Wartung

22.7.2026

Nutzung

7 Downloads · 298 Aufrufe

Dateistruktur

📁 references/

📄 case-studies.md

📄 pipeline-patterns.md

📁 scripts/

📄 pipeline_template.py

📄 SKILL.md