Execute qualquer Skill no Manus
com um clique

Execute qualquer Skill no Manus com um clique

Começar

review-python

Estrelas4

Forks0

Atualizado10 de fevereiro de 2026 às 16:35

Revisão de qualidade de código Python

Instalação

Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.

Executar no Manus

Fonte

mgaldino

mgaldino/agents-workflow

Abrir repositório GitHub Ver repositórios do creator

Download

Executar no Manus

Ocupações relacionadasSOC

Baseado na classificação ocupacional SOC

Analistas de garantia de qualidade de software e testadoresInformática e Matemática·SOC 15-1253

SKILL.md

readonly

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

# 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]

Mais deste repositório

mesmo repositório

research-ideation

mgaldino/agents-workflow

Gerar questões de pesquisa + estratégias empíricas

2026-07-104

adaptive-codex-router

mgaldino/agents-workflow

Route Codex tasks to an appropriate model, reasoning effort, speed preference, and orchestration pattern using a quality-first lexicographic policy. Use when choosing among GPT-5.6 Sol, Terra, or Luna; deciding low, medium, high, xhigh, max, or Ultra; reducing latency and token or credit use without lowering an explicit quality floor; preparing safe codex exec commands; or calibrating model choices on representative tasks.

2026-07-104

theory-framing

mgaldino/agents-workflow

Diagnóstico e reestruturação de enquadramento teórico para papers case/empirically-oriented (report apenas, sem editar arquivos)

2026-07-104

dashboard

mgaldino/agents-workflow

Visualizar e atualizar o dashboard centralizado de projetos de pesquisa

2026-03-234

data-collection

mgaldino/agents-workflow

Coleta estruturada de dados online: descoberta de fontes, download via API/bulk/scraping, gestão de credenciais, documentação rastreável e reproduzível. Use quando o usuário precisar baixar dados, montar pipeline de coleta, achar bases de dados sobre um tema, configurar acesso a APIs governamentais ou acadêmicas, ou organizar dados brutos de forma auditável — mesmo que não diga explicitamente 'coleta de dados'.

2026-03-234

new-paper

mgaldino/agents-workflow

Scaffolding completo de paper empírico (pastas, templates, CLAUDE.md)

2026-03-234

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

# 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]