FanaticsKang

当用户说"你来问我"、"ask me"时触发。第一次创建方案或设计时触发。修改文件后用于理解变更意图。关键：当你（AI）感到困惑、不确定如何执行、或指令有歧义时——不要猜测，立即调用此skill。当你觉得方案有多种执行的可能，你从中挑选了一种的时候，立刻调用此skill确认你的选择是否正确。

深度简化Python代码，通过运行时日志分析识别并移除死代码。 当用户需要简化代码、清理未使用的代码、优化代码结构、移除死代码时使用此skill。 适用于：代码清理、死代码检测、代码重构前的分析、代码库瘦身。 使用方法：/deep-simplify <file_path>

依据 GB/T 20001.5—2017 和 GB/T 20001.1—2024 审查规范标准草稿的合规性。当用户上传或粘贴标准草稿，并要求进行合规审查、符合性检查、标准编写审核时使用。

更新项目 CLAUDE.md 文档以保持与项目状态一致。当用户明确请求"更新CLAUDE.md"、"同步文档"、"刷新项目说明"、"检查文档一致性"或类似的明确指令时触发。也适用于项目结构发生重大变化后需要更新文档的场景。

检查并修复 Python 文件的命名规范，确保文件名与主要类名保持一致。 **命令格式：** `/python-naming-convention <file_path> [--fix]` - 无 `--fix`：仅检查，输出命名规范报告 - 有 `--fix`：执行完整修复流程（复制文件→更新引用→验证） **触发场景：** - 用户要求检查代码命名规范 - 用户提到文件名和类名不一致 - 需要验证 Python 文件是否符合项目的命名约定 - 需要自动修复命名不一致的问题 **检查规则：** - 类名使用大驼峰（PascalCase），如：EgoMsgMapNode - 文件名使用小写+下划线（snake_case），如：ego_msg_map_node.py - 文件名应与主类名对应：EgoMsgMapNode → ego_msg_map_node.py

分析大型 JSON 文件（支持 100MB+）并生成格式说明文档（Markdown 或 CSV）。当用户需要分析 JSON 文件结构、生成 JSON Schema 文档、理解大数据集的字段组成、或导出字段清单时，使用此 skill。适用于数据探索、API 文档生成、数据验证、字段清单导出等场景。支持流式读取避免内存溢出，输出层级树状结构的 Markdown 文档或结构化 CSV 表格。

为代码仓库增量构建中文 wiki（./wiki/ 目录），梳理架构、数据流，辅助理解和重构。 触发词：理解代码仓库、梳理架构、生成文档/wiki、读懂代码、分析项目结构。 即使未提及"wiki"，只要意图是系统性理解代码仓库或为重构做准备，都应触发。 命令：init, scan, deep, query, lint。

全自动仓库级单元测试生成。扫描源码 → 分析函数 → 生成测试 → 执行并出报告，无需人工干预。 支持全量/增量模式，当前支持 Python（pytest）和 C++（Google Test）。 触发词：单元测试、生成测试、测试覆盖率、增量测试、回归测试、unit test、跑测试、给函数加测试、哪些函数没被测试。 提及 test/generated_unit/ 或 test_cases.json 时也应触发。 命令：init, generate, run, auto。

半自动模块测试/集成测试生成。扫描仓库 → 生成测试配置 → 补充代码引用和测试目标 → 工程师审查 → 生成并运行 pytest/googletest。 触发词：模块测试、集成测试、测试配置、扫描模块、生成测试目标、module test、integration test、test config。 提及 test-config/ 目录或模块测试 YAML 文件时也应触发。 命令：init, generate, run。

Deep analysis skill that pairs a research paper with its open-source implementation to extract core innovations and reveal implementation details the paper doesn't document. Use this whenever a user provides both a paper (PDF/arxiv link) and a code repository, or when they mention wanting to understand "how the model is actually built", "the real architecture", "what the code actually does vs the paper", or want to "reproduce", "reimplement", or "deeply understand" a specific paper's method. Also trigger when the user gives only a paper but asks about implementation details, or only code but asks what the underlying paper says. Keywords that should trigger this: reproduce, reimplement, core module, real architecture, hidden details, paper vs code, ablation, novel contribution, innovation implementation. Do NOT use for generic paper summarization (no code involved) or generic code review (no paper involved).

Python 单测生成流水线的生成-执行阶段。手动启动。

单测生成流水线的初始化阶段:为 Python / C++ 项目扫描代码仓库并生成或增量更新 `test_cases.json` 基线文件。

单测生成流水线的生成-运行阶段:基于 `test_cases.json` 基线,为 C++ 源文件分批派发 `cpp-test-gen-agent` 子 agent 并行生成测试、编译、采集覆盖率,最后汇总结果回写基线。

Calculate test coverage for Python code and generate visual charts. Use this skill when the user needs to compute line and branch coverage for Python tests, generate coverage percentage reports, and create visual charts showing coverage metrics. This skill is particularly useful in testing pipelines, CI/CD workflows, and quality assurance processes where automated coverage analysis and visualization are needed. Trigger this skill when the user mentions: - Calculating test coverage - Generating coverage reports - Creating coverage visualizations - Measuring line or branch coverage - Analyzing test coverage metrics - Visualizing coverage data with charts - Running coverage analysis for Python tests The skill takes a test file and source code file as input, runs coverage analysis, and outputs coverage percentages along with visual charts in the specified directory.

检查指定源代码文件对应的测试文件是否存在，并返回测试文件的基本信息。 当用户需要检查测试文件是否存在、获取测试用例数量或了解测试文件最后修改时间时使用此技能。 此技能专为测试自动化流水线设计，用于判断是否需要生成新测试或更新现有测试。 使用此技能的场景包括：检查测试覆盖率、评估测试完整性、决定是否运行测试、或作为测试生成流程的决策依据。

Use this skill when you need to execute Python pytest tests, calculate code coverage, generate matplotlib visualizations, and create structured summary reports. This skill handles the entire test execution workflow including running tests with coverage metrics, creating visual charts, and producing markdown summaries. It's designed for testing pipelines where automated test execution and reporting is needed. Use this skill whenever the user mentions running tests, executing pytest, generating test summaries, calculating code coverage, creating coverage charts, or needs structured test results. This is particularly useful in CI/CD pipelines, automated testing workflows, and quality assurance processes.