Asynchrones Testen erfordert spezifische Muster, die sich von synchronem Code unterscheiden. Dieser Skill bietet sofort einsetzbare Muster für pytest-asyncio-Konfiguration, asynchrone Fixtures, Mocking von asynchronen Funktionen und Datenbank-Testisolierung.

SQLModel kombiniert Pydantic und SQLAlchemy, was Verwirrung über Modelle und Schemas schafft. Asynchrones SQLAlchemy hat andere Regeln als synchrones. Dieser Skill bietet getestete Muster für Eager Loading, Beziehungen, Sessions und gängige Datenbankoperationen.

Das Erstellen von APIs mit FastAPI erfordert das Verständnis von Dependency Injection, Response-Modellen und OpenAPI-Schema-Design. Diese Fähigkeit liefert praxiserprobte Muster, die häufige Bugs verhindern und die Developer Experience für Frontend-Teams verbessern.

Asynchroner Python-Code leidet oft unter Race Conditions, Session-Leaks und Verbindungspool-Problemen. Dieser Skill bietet bewährte Muster für FastAPI und SQLAlchemy, die häufige Async-Fallstricke vermeiden.

Datenbankmigrationen können bei falscher Durchführung zu Datenverlust oder Ausfallzeiten führen. Dieser Skill bietet erprobte Muster zum Erstellen, Überprüfen und sicheren Anwenden von Alembic-Migrationen.

Expo iOS-Builds erfordern eine komplexe Konfiguration von EAS Build, Zertifikaten und TestFlight. Diese Anleitung bietet Schritt-für-Schritt-Unterstützung für die Konfiguration von Builds, die Einreichung bei TestFlight und die Behebung häufiger Probleme.

Tests werden schwer zu warten, wenn sie inkonsistent, übermäßig komplex oder Implementierungsdetails testen. Diese Fähigkeit bietet bewährte Jest-Patterns für Factory-Funktionen, Mocking-Strategien und TDD-Workflows.

Debugging ohne systematischen Ansatz führt zu symptomorientierten Korrekturen, die grundlegende Probleme verbergen. Diese Skill erzwingt eine vierphasige Methodik, die Probleme auf ihre Quelle zurückverfolgt, bevor Korrekturen angewendet werden, was zu qualitativ hochwertigeren Lösungen führt.

React-Anwendungen haben oft Probleme mit Ladezuständen, Fehlerbehandlung und leeren Zuständen, was zu einer schlechten Benutzererfahrung führt. Dieser Skill bietet bewährte Patterns für die Verwaltung von UI-Zuständen, Formularübermittlungen und asynchronem Datenabruf.

Manuelles Schreiben von GraphQL-Operationen führt zu Typfehlern und Wartungsproblemen. Diese Fähigkeit bietet bewährte Muster für Queries, Mutationen und Apollo Client-Integration mit automatischer Typ-Generierung.

Formulare in React erfordern die Behandlung von Validierung, Status und Übermittlung. Diese Fähigkeit bietet bewährte Formik-Muster für die Erstellung von barrierefreien, validierten Formularen mit Yup-Schemata.

Der Aufbau von Interfaces ohne Designstandards führt zu uneinheitlichem Styling und Wartungsproblemen. Dieses Skill liefert Komponenten-Patterns und Design-Tokens für einheitliche, wartbare Benutzeroberflächen.

Claude hat Schwierigkeiten, große Codebasen ohne richtige Struktur zu verstehen. Diese Skill bietet automatische Projektzuordnung, Symbolindizierung und Duplikaterkennung, damit Claude Funktionen, Klassen und Dateien sofort finden kann ohne langsame grep-Suchen.

Die Verwaltung von Softwareprojekten ohne strukturierte Phasen führt zu verpassten Anforderungen und unvollständigen Features. Dieses Skill erzwingt fünf obligatorische Tore, die den Fortschritt verhindern, bis jede Phase definierte Kriterien erfüllt, und gewährleistet so eine disziplinierte Wasserfall-Entwicklung.

Traditionell verstreute Protokollanweisungen erschweren die Fehlersuche und bieten keinen Kontext. Diese Anleitung zeigt, wie Sie ein umfassendes Ereignis pro Anfrage mit allen Debugging-Kontexten ausgeben.

Softwareprojekte benötigen eine strukturierte Anforderungsverfolgung, die über einfache Todo-Listen hinausgeht. Diese Skill bietet Wasserfall-ähnliches Feature-Management mit Anforderungen, Testfällen und Fortschrittsverfolgung in einem persistenten YAML-Format, das in Ihrem Repository gespeichert wird.

Der Aufbau von LLM-Anwendungen ohne klare Methodik führt zu Zeitverschwendung und Budgetüberschreitungen. Diese Fähigkeit bietet ein bewährtes Framework für die Bewertung der Aufgabeneignung, die Architektur von Pipelines und effiziente Iteration.

LLM-Kontextfenster begrenzen die Aufgabenkomplexität und erhöhen die Kosten mit wachsender Konversation. Diese Fähigkeit bietet Techniken zur Erweiterung der effektiven Kapazität durch strategische Komprimierung, Beobachtungsmaskierung, KV-Cache-Optimierung und Kontextpartitionierung.

LLM-Agenten versagen unvorhersehbar, wenn der Kontext wächst. Diese Fähigkeit hilft dir, Probleme der Kontextdegradation wie Lost-in-Middle-Effekte, Vergiftung und Aufmerksamkeitskollaps zu identifizieren und zu beheben, damit deine Agenten in großem Maßstab zuverlässig bleiben.

Lange KI-Agenten-Sitzungen überschreiten schnell die Kontextfenster und verursachen Fehler. Diese Fertigkeit bietet bewährte Komprimierungsstrategien, die kritische Informationen bewahren und Tokens um über 98% reduzieren.