非同期テストには、同期コードとは異なる特定のパターンが必要です。このスキルは、pytest-asyncioの設定、非同期フィクスチャ、モック化、非同期関数、およびデータベーステストの分離のためのすぐに使えるパターンを提供します。

SQLModelはPydanticとSQLAlchemyを組み合わせたものであり、モデルとスキーマについて混乱を招きます。Async SQLAlchemyは同期版とは異なるルールを持っています。このスキルは、周年読み込み、リレーションシップ、セッション、一般的なデータベース操作のためのテスト済みパターンを提供します。

FastAPIでのAPI構築には、依存性注入、レスポンズモデル、OpenAPIスキーマ設計の理解が必要です。このスキルは、一般的なバグを防ぎ、フロントエンドチームの開発者体験を向上させる実証済みのパターンを提供します。

非同期Pythonコードは、競合状態、セッションリーク、コネクションプールの問題に悩まされることがよくあります。このスキルは、FastAPIとSQLAlchemyの実戦テスト済みパターンを提供し、一般的な非同期の落とし穴を防ぎます。

データベースマイグレーションの実行方法が不正确だと、データ損失やダウンタイムが発生する可能性があります。このスキルでは、Alembicマイグレーションの作成、レビュー、安全な適用のためのテスト済みパターンを提供します。

Expo iOSのビルドには、EAS Build、証明書、TestFlightの複雑な設定が必要です。このスキルは、ビルドの構成、TestFlightへの提出、よくある問題のトラブルシューティングを段階的に案内します。

テストは、一貫性がなく過度に複雑だったり、実装詳細を検証したりすると保守が難しくなります。このスキルは、ファクトリー関数、モッキング戦略、TDDワークフローに関する実証済みのJestパターンを提供します。

体系的なアプローチなしでのデバッグは、症状に対処する場当たり的な修正をもたらし、根本的な問題を隠蔽します。このスキルは、修正を適用する前に問題を追跡源まで辿る4段階の方法を強制し、より高品質なソリューションを実現します。

Reactアプリケーションは、ローディング状態、エラーハンドリング、空状態の管理に苦労し、ユーザー体験の低下を招いています。このスキルは、UI状態、フォーム送信、非同期データ取得を管理するための実証済みパターンを提供します。

GraphQL操作を手動で記述すると、型エラーとメンテナンスの頭痛の原因になります。このスキルは、クエリ、ミューテーション、Apollo Client統合、および自動型生成のための実証されたパターンを提供します。

Reactでフォームを構築するには、バリデーション、状態管理、送信処理を扱う必要があります。このスキルは、アクセシビリティに優れたバリデーション付きフォームをYupスキーマで作成するための実証済みのFormikパターンを提供します。

デザイン標準なしでインターフェースを構築すると、一貫性のないスタイリングとメンテナンスの問題が発生します。このスキルは、統合された保守可能なユーザーインターフェースのためのコンポーネントパターンとデザイントークンを提供します。

Claudeは適切な構造なしに大規模なコードベースを理解するのに苦労します。このスキルは自動プロジェクトマッピング、シンボルインデックス作成、重複検出を提供し、Claudeが遅いgrepサーチなしに関数、クラス、ファイルを即座に見つけられるようにします。

構造化されたフェーズなしでソフトウェアプロジェクトを管理すると、要件の欠落や不完全な機能が生じます。このスキルは、5つの必須ゲートを強制し、各フェーズが定義された基準を満たすまで進行を防ぎ、規律あるウォーターフォール開発を保証します。

従来の散在したログステートメントは、デバッグを困難にし、コンテキストが不足しています。このガイドでは、すべてのデバッグコンテキストを含む、リクエストごとに1つの包括的なイベントを発行する方法を学びます。

ソフトウェアプロジェクトには、シンプルなTodoリストを超えた構造化された要件追跡が必要です。このスキルは、リポジトリに保存される永続的なYAML形式で、要件、テストケース、進捗追跡を備えたウォーターフォールスタイルの機能管理を提供します。

明確な方法論なしにLLMアプリケーションを構築すると、時間の浪費と予算超過につながります。このスキルは、タスクの適合性評価、パイプラインアーキテクチャの設計、効率的な反復開発のための実証済みフレームワークを提供します。

LLMのコンテキストウィンドウはタスクの複雑さを制限し、会話が長くなるにつれてコストが増加します。このスキルは、戦略的な圧縮、観測のマスキング、KVキャッシュの最適化、コンテキストの分割を通じて、実質的な容量を拡張する技術を提供します。

LLMエージェントはコンテキストが増えると予測不能に失敗します。このスキルは、 lost-in-middle 効果、ポイズニング、Attention崩壊などのコンテキスト劣化問題を特定し修正するのに役立ちます。これにより、エージェントを大規模に信頼性の高い状態に保つことができます。

長時間のAIエージェントセッションはすぐにコンテキストウィンドウを超過し、失敗を引き起こします。このスキルは、重要な情報を保持しながらトークンを98%以上削減する実証済みの圧縮戦略を提供します。