Fähigkeiten project-development
📦

project-development

Inhaltsrevision r2 Mittleres Risiko 📁 Dateisystemzugriff⚙️ Externe Befehle🌐 Netzwerkzugriff

Zuverlässige LLM-Projektpipelines planen

Teams erstellen LLM-Projekte oft, bevor sie Aufgabenpassung, Kosten und Pipeline-Grenzen nachweisen. Dieser Skill leitet durch Validierung, stufenweise Architektur und Iterationspläne für Claude, Codex und Claude Code.

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/muratcankoylan-project-development.md and its manifest at https://skillstore.io/api/skills/muratcankoylan-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/muratcankoylan-project-development.md Signiertes manifest GET /api/skills/muratcankoylan-project-development/manifest Signiertes lockfile GET /api/skills/muratcankoylan-project-development/lockfile

Testen

„project-development“ wird verwendet. Ich muss 8.000 Support-Tickets analysieren und Themenzusammenfassungen erstellen.

Erwartetes Ergebnis:

  • Bewertung der Aufgaben-Modell-Passung mit wahrscheinlichen Stärken und Schwachpunkten.
  • Ein gestufter Batch-Pipeline-Plan mit persistenten Zwischenartefakten.
  • Ein Rahmen zur Kostenschätzung mit Puffern für Wiederholungen und Reviews.

„project-development“ wird verwendet. Unser Agentenprojekt hat viele Tools und langsame Durchläufe.

Erwartetes Ergebnis:

  • Eine Empfehlung, vor dem Hinzufügen von Tools eine einfachere Baseline zu testen.
  • Kriterien für das Beibehalten, Zusammenführen oder Entfernen spezialisierter Tools.
  • Ein Iterationsplan, der Qualität, Latenz und Kosten vergleicht.

„project-development“ wird verwendet. Ich möchte eine wiederverwendbare Vorlage für Batch-LLM-Verarbeitung.

Erwartetes Ergebnis:

  • Stufendefinitionen für Datenerfassung, Prompt-Vorbereitung, Modellaufrufe, Parsing und Rendering.
  • Anleitung zu dateibasierter Zustandsverwaltung für Caching und Debugging.
  • Hinweise zu Parser-Toleranz und manueller Validierung vor der Skalierung.

Sicherheitsaudit

Mittleres Risiko
v8 • 9.8.2026 Versionsbericht öffnen

Most static findings are false positives caused by Markdown formatting, documentation examples, benign citations, and mislabeled text. The executable template has medium-risk path traversal, HTML injection, and indirect prompt injection weaknesses. These issues should be fixed before marketplace publication.

4
Gescannte Dateien
2,102
Analysierte Zeilen
6
Prüfelemente
0
Falschmeldungen ignoriert

Bestätigte Sicherheitsbedenken (3)

Mittel
scripts/pipeline_template.py:132-153scripts/pipeline_template.py:603-652scripts/pipeline_template.py:767-773
Unvalidated Identifiers Permit Path Traversal
Batch and item identifiers are joined without validation. Absolute or traversal paths can redirect writes and cleanup deletions outside intended directories.
The CLI value reaches Path joins without confinement checks, and cleanup unlinks files beneath the resulting path.
Mittel
scripts/pipeline_template.py:571-596scripts/pipeline_template.py:767-770
Generated HTML Includes Unescaped Batch Identifier
The batch identifier is inserted into title and heading markup without escaping. A crafted identifier can inject active content when the report opens.
The CLI-controlled batch_id is interpolated directly into two HTML contexts while other displayed strings are explicitly escaped.
Mittel
scripts/pipeline_template.py:256-264scripts/pipeline_template.py:306-315
Untrusted Source Content Can Manipulate Model Instructions
Acquired title and content are inserted directly into the model prompt. Malicious source text can alter requested behavior or corrupt structured output.
The template interpolates source fields without trust-boundary controls, then passes the complete prompt to the configured LLM call.
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:182
Python file write/append
with open(raw_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.
Mittel
scripts/pipeline_template.py:246
Python file write/append
with open(prompt_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.
Mittel
scripts/pipeline_template.py:314
Python file write/append
with open(response_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.
Mittel
scripts/pipeline_template.py:404
Python file write/append
with open(parsed_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.
Mittel
scripts/pipeline_template.py:417
Python file write/append
with open(agg_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.
Mittel
scripts/pipeline_template.py:547
Python file write/append
with open(output_file, "w") as f:
This executable write uses a path derived from an unvalidated batch identifier. Absolute or traversal values can redirect pipeline output outside the intended directory.

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:182 scripts/pipeline_template.py:246 scripts/pipeline_template.py:314 scripts/pipeline_template.py:404 scripts/pipeline_template.py:417 scripts/pipeline_template.py:547
⚙️ Externe Befehle (18)
SKILL.md:10 SKILL.md:25 SKILL.md:26 SKILL.md:27 SKILL.md:28 SKILL.md:80-82 SKILL.md:82-96 SKILL.md:96-102 SKILL.md:102-131 SKILL.md:131-133 SKILL.md:133-151 SKILL.md:151-171 SKILL.md:171-273 SKILL.md:273-274 SKILL.md:274-275 SKILL.md:275-276 SKILL.md:276-277 SKILL.md:277-278
🌐 Netzwerkzugriff (2)
SKILL.md:292 SKILL.md:293
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/muratcankoylan-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/muratcankoylan-project-development/security.svg)](https://skillstore.io/skills/muratcankoylan-project-development?utm_source=security_passport_badge)

HTML-Badge

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

Einbettungskarte

<iframe src="https://skillstore.io/embed/skills/muratcankoylan-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

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

BibTeX-Zitat

@techreport{muratcankoylan-muratcankoylan-project-development-2026, author = {muratcankoylan}, title = {project-development security audit report (audit version 8)}, institution = {Skillstore}, year = {2026}, number = {8}, url = {https://skillstore.io/skills/muratcankoylan-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: "muratcankoylan" date-released: "2026-08-09" url: "https://skillstore.io/skills/muratcankoylan-project-development/audits/8" identifiers: - type: other value: "skillstore:muratcankoylan-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 Aktuell

muratcankoylan-project-development

Skillstore-Score 50
Evidenzvertrauen Hoch
Skillstore-Nutzung 19
Aktualisiert

2026-09-09

ChakshuGautam

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

Aufgaben-Modell-Passung, akzeptable Fehlerraten und erwartete Ausgabeform prüfen, bevor Automatisierung geschrieben wird.

Eine Batch-Analysepipeline entwerfen

Einen Workflow für ein großes Korpus in cachebare Stufen mit klaren Punkten für erneute Durchläufe und Debugging aufteilen.

Kosten von Agentenprojekten kontrollieren

Token-Nutzung schätzen, eine einfache Architektur wählen und entscheiden, wann Multi-Agent-Komplexität gerechtfertigt ist.

Diese Prompts ausprobieren

Aufgabenpassung bewerten 
Bewerte, ob dieses Projekt für LLM-Verarbeitung geeignet ist. Behandle Eingabetyp, gewünschte Ausgabe, Fehlertoleranz, Anforderungen an Modellwissen und einen manuellen Prototypentest.
Pipeline-Stufen entwerfen 
Entwirf eine gestufte LLM-Pipeline für diesen Workflow. Definiere acquire-, prepare-, process-, parse- und render-Stufen mit Artefakten, Regeln für erneute Durchläufe und Fehlerbehandlung.
Skalierung und Kosten schätzen 
Schätze Token-Kosten und Laufzeit für dieses Batch-Projekt. Berücksichtige Annahmen zur Anzahl der Elemente, Schätzungen für Eingabe- und Ausgabe-Token, Wiederholungspuffer und Optionen zur Kostenkontrolle.
Architektur-Tradeoffs prüfen 
Überprüfe diese LLM-Projektarchitektur. Identifiziere, wo eine einzelne Pipeline ausreicht, wo Multi-Agent-Arbeit helfen kann und welche Komplexität entfernt werden sollte.

Bewährte Praktiken

  • Führe einen manuellen Prototyp mit einem repräsentativen Element aus, bevor du Automatisierung schreibst.
  • Halte jede Pipeline-Stufe idempotent, beobachtbar und unabhängig ausführbar.
  • Verfolge Token-Kosten und Parsing-Fehler während der Entwicklung, nicht erst nach dem Launch.

Vermeiden

  • Baue keine vollständige Pipeline, bevor nachgewiesen ist, dass das Modell die Aufgabe bewältigen kann.
  • Fasse Erfassung, Modellaufrufe, Parsing und Rendering nicht in einem undurchsichtigen Schritt zusammen.
  • Verwende Multi-Agent-Architektur nicht nur, um menschliche Teamrollen nachzuahmen.

Häufig gestellte Fragen

Ruft dieser Skill externe LLM-APIs direkt auf?
Nein. Die enthaltene Vorlage gibt simulierte Antworten zurück, bis der Benutzer eine API-Integration hinzufügt.
Kann dies bei Claude- und Claude Code-Projekten helfen?
Ja. Die Anleitung gilt für Claude, Claude Code, Codex und andere agentenfähige Tools.
Ist die Pipeline-Vorlage produktionsreif?
Nein. Sie ist eine Startvorlage und benötigt Validierung, Sicherheitskontrollen und echte API-Behandlung.
Wann sollte ich ein Multi-Agent-Design verwenden?
Nutze es, wenn Kontextisolierung oder parallele Exploration die Qualität ausreichend verbessert, um die Kosten zu rechtfertigen.
Wie unterstützt der Skill die Kostenplanung?
Er erklärt Token-Schätzung, Annahmen zur Ausgabelänge, Wiederholungspuffer und einfachere Architekturentscheidungen.
Was sollte ich tun, bevor ich einen Batch-Job skaliere?
Validiere ein Element manuell, prüfe die Ausgabequalität, teste das Parsing und schätze die gesamten Token-Kosten.

Entwicklerdetails

Lizenz

MIT

Skillstore-Revision

r2

Versionshinweis

Der Autor hat keine Version angegeben.

Repository

https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main/skills/project-development

Ref.

02be9409c79ca1183f7844009c14d9df684d0cf9

Aktualität der Wartung

11.8.2026

Nutzung

13 Downloads · 299 Aufrufe

Dateistruktur

📁 references/

📄 case-studies.md

📄 pipeline-patterns.md

📁 scripts/

📄 pipeline_template.py

📄 SKILL.md