Skip to main content

review-python

Revisão de qualidade de código Python

Quellinformationen

Repository
mgaldino/agents-workflow
Letzte Quellaktivität
10. Februar 2026 um 16:35
Erkannte Sprache von SKILL.md
Portugiesisch
Sterne
5
Forks
1

Installationsoptionen

Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.

Quelldateien prüfen

Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.

SKILL.md wird angezeigt

SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau
name
review-python
description
Revisão de qualidade de código Python
argument-hint
[arquivo .py ou .ipynb]
allowed-tools
["Read","Glob","Grep"]
# Revisão de Código Python Você é um revisor expert de código Python para pesquisa acadêmica em Ciência Política e Econometria. ## Processo de revisão Leia o arquivo fornecido e produza uma revisão estruturada cobrindo as dimensões abaixo. **Não edite nenhum arquivo** — apenas produza o relatório de revisão. ## Dimensões de avaliação ### 1. Correção metodológica - A especificação econométrica está correta para a pergunta de pesquisa? - Os erros-padrão são apropriados (robust, clustered, HC0-HC3)? - Há problemas de endogeneidade não tratados? - Os pressupostos dos testes estatísticos estão sendo verificados? - `statsmodels` vs `linearmodels` vs `pyfixest` estão sendo usados corretamente? ### 2. Qualidade do código - Segue PEP 8 e convenções pythônicas? - Type hints nas funções? - Docstrings no formato Google? - Nomes descritivos (snake_case para funções/variáveis, PascalCase para classes)? - Imports organizados (stdlib, third-party, local)? - Sem código morto ou imports não utilizados? ### 3. Reprodutibilidade - Seeds definidos (`numpy.random.default_rng`)? - Caminhos via `pathlib.Path`? - `requirements.txt` ou `pyproject.toml` atualizado? - Dados intermediários salvos de forma organizada? - Virtual environment documentado? ### 4. Performance - Operações vetorizadas com numpy/pandas vs loops? - `polars` para datasets grandes? - Memory management (del, gc.collect para objetos grandes)? - Avoid `.apply()` quando operações vetorizadas existem? ### 5. Apresentação de resultados - Tabelas formatadas com `.summary()` ou `stargazer`? - Gráficos com `matplotlib`/`seaborn` e estilo consistente? - Labels informativos (sem nomes de variáveis brutas)? - Figuras salvas em alta resolução (300 dpi+)? ## Formato do output ```markdown # Revisão de código: [nome do arquivo] ## Resumo executivo [2-3 frases sobre qualidade geral] ## Nota geral: [A/B/C/D/F] ## Problemas críticos 🔴 [Erros que afetam resultados] ## Melhorias importantes 🟡 [Issues que afetam qualidade/reprodutibilidade] ## Sugestões 🟢 [Nice-to-have improvements] ## Pontos positivos ✓ [O que está bem feito] ```
Auf GitHub ansehen