receiving-code-revie
Use when receiving code review feedback, before implementing suggestions, especially if feedback seems unclear or technically questionable - requires technical rigor and verificati…
天轰穿
@thcjp
Install
$ openclaw skills install @thcjp/receiving-code-reviewreceiving-code-revie
功能介绍
功能1:receiving-code-revie核心处理
解决痛点:传统Development场景中,手工操作效率低、容易出错、难以规模化,缺乏统一的标准流程。
专业版能力:
- 自动化Development数据处理流程,减少人工干预与重复劳动
- 结构化输入输出,支持批量操作与结果导出
- 内置错误恢复机制,异常自动重试与降级处理
- 多格式兼容,适配不同来源的数据接入与转换
- 基于github来源验证,保证数据准确性与可追溯性
处理:解析用户输入参数,执行receiving-code-revie核心处理逻辑,返回结构化结果与执行状态。
输入定义
| 参数名 | 类型 | 必填 | 说明 |
|---|---|---|---|
| content | string | 是 | receiving-code-revie处理的内容输入 |
| format | string | 否 | 输入格式, 可选值: json/text/markdown |
| options | object | 否 | 高级配置参数, 如输出风格、批量大小等 |
输出规范
{
"success": true,
"data": {
"result": "receiving-code-revie处理结果",
"metadata": {
"skill": "receiving-code-review",
"version": "1.0.0",
"pricing_tier": "L2-进阶级"
}
},
"error": null
}
安装与配置
运行环境
- Agent平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
- 操作系统: Windows / macOS / Linux
依赖项
| 依赖项 | 类型 | 是否必需 | 获取方式 |
|---|---|---|---|
| LLM API | API | 必需 | 由Agent平台内置LLM提供 |
| 数据源 | 数据 | 必需 | 来自github来源: |
技术创新
效率提升量化分析
| 操作步骤 | 手动耗时 | 自动化耗时 | 时间节约 | 准确率提升 |
|---|---|---|---|---|
| 数据收集 | 2小时 | 30分钟 | 1.5小时 | 5% |
| 数据处理 | 4小时 | 1小时 | 3小时 | 10% |
| 结果验证 | 1小时 | 15分钟 | 45分钟 | 8% |
| 报告生成 | 1小时 | 20分钟 | 40分钟 | 7% |
| 异常处理 | 3小时 | 30分钟 | 2.5小时 | 6% |
差异化对比
| 对比维度 | 本技能 | 手动操作 | Python脚本 | 专业软件 |
|---|---|---|---|---|
| 效率 | 高效 | 低效 | 中等 | 高效 |
| 准确性 | 高 | 低 | 中 | 高 |
| 易用性 | 高 | 低 | 中 | 高 |
| 成本 | 低 | 高 | 中 | 高 |
| 扩展性 | 高 | 低 | 中 | 高 |
核心痛点解决
| 痛点 | 描述 | 影响范围 | 解决方案 | 量化效果 |
|---|---|---|---|---|
| 效率低下 | 手动操作繁琐,耗时较长 | 整个Development流程 | 自动化数据处理流程 | 时间节约30%以上 |
| 准确率低 | 人工操作易出错,影响产品质量 | 产品质量与客户满意度 | 内置错误恢复机制 | 准确率提升5%以上 |
| 规模化困难 | 手动操作难以扩展 | 规模化生产 | 结构化输入输出,支持批量操作 | 扩展性提升50%以上 |
常见问题FAQ
Q1: receiving-code-revie如何处理模糊或不清晰的反馈?
A: receiving-code-revie会首先进行数据清洗和预处理,然后通过内置的智能分析模块对模糊或不清晰的反馈进行识别和解释,确保反馈的准确性和可操作性。
Q2: receiving-code-revie是否支持与其他工具的集成?
A: 是的,receiving-code-revie支持与其他工具的集成,可以通过API接口与其他系统进行数据交换和流程协同。
Q3: receiving-code-revie的自动化处理流程是如何设计的?
A: receiving-code-revie的自动化处理流程基于数据驱动和流程编排,通过解析用户输入,执行数据处理、分析和结果输出等步骤,实现高效自动化处理。
Q4: receiving-code-revie的准确率如何保证?
A: receiving-code-revie通过内置的智能分析模块和错误恢复机制,结合数据源验证和结果验证,确保处理结果的准确性和可靠性。
Q5: receiving-code-revie的定价模式是怎样的?
A: receiving-code-revie采用按使用次数计费的模式,具体价格为19.9 CNY/次,属于L2-进阶级定价。
诊断与修复
| 错误现象 | 可能原因 | 诊断步骤 | 解决方案 |
|---|---|---|---|
| 处理失败 | 数据格式错误 | 检查输入数据格式是否符合要求 | 修正数据格式,重新执行 |
| 执行超时 | 系统资源不足 | 检查系统资源使用情况 | 增加系统资源或优化代码 |
| 网络错误 | 网络连接不稳定 | 检查网络连接状态 | 重新连接网络或更换网络环境 |
| 权限不足 | 没有足够的权限 | 检查用户权限 | 获取必要的权限 |
| 依赖项缺失 | 必需的依赖项未安装 | 检查依赖项安装情况 | 安装缺失的依赖项 |
安全实践准则
- 确保数据传输的安全性,使用加密协议进行数据传输。
- 定期更新软件和依赖项,以防止安全漏洞。
- 限制对敏感数据的访问权限,确保只有授权用户可以访问。
- 对输入数据进行验证和清洗,防止注入攻击。
- 定期备份数据,以防数据丢失或损坏。
安全风险防范
| 风险项 | 等级 | 防护措施 | 验证方法 |
|---|---|---|---|
| 数据泄露 | 高 | 实施数据加密和访问控制 | 定期进行安全审计 |
| 系统漏洞 | 中 | 及时更新软件和依赖项 | 使用漏洞扫描工具 |
| 注入攻击 | 高 | 对输入数据进行验证和清洗 | 实施严格的输入验证策略 |
| 网络攻击 | 高 | 使用防火墙和入侵检测系统 | 定期进行网络安全检查 |
| 权限滥用 | 中 | 限制用户权限 | 实施权限审计和监控 |
边界条件与错误处理
边界条件
| 边界场景 | 触发条件 | 处理方式 | 预期结果 |
|---|---|---|---|
| 空数据输入 | 输入数据为空 | 返回错误信息 | 提示用户输入非空数据 |
| 极端数据输入 | 输入数据超出预期范围 | 返回错误信息 | 提示用户输入合理数据 |
| 无效格式输入 | 输入数据格式不正确 | 返回错误信息 | 提示用户输入正确格式数据 |
错误处理方案
| 错误码 | 原因 | 处理方式 | 恢复策略 |
|---|---|---|---|
| 1001 | 数据格式错误 | 修正数据格式 | 重新执行处理流程 |
| 1002 | 系统资源不足 | 增加系统资源或优化代码 | 优化代码或升级系统 |
| 1003 | 网络连接错误 | 重新连接网络或更换网络环境 | 重新连接或更换网络 |
| 1004 | 权限不足 | 获取必要的权限 | 联系管理员获取权限 |
| 1005 | 依赖项缺失 | 安装缺失的依赖项 | 安装缺失依赖项后重新执行 |
错误恢复方案
针对receiving-code-revie使用中可能遇到的常见问题,提供以下排查方案:
| 错误类型 | 原因分析 | 解决方案 |
|---|---|---|
| API认证失败(401) | API密钥错误或过期 | 检查密钥配置,重新生成token |
| 接口限流(429) | 请求频率超出限制 | 降低调用频率,启用重试退避策略 |
| 响应超时(504) | 网络延迟或服务端负载过高 | 增加超时阈值,检查网络连接 |
| 文件不存在 | 路径错误或文件未创建 | 检查路径拼写,确认文件已生成 |
| 文件格式不支持 | 扩展名不在支持列表中 | 转换为支持的格式后重试 |
| 权限不足 | 当前用户无读写权限 | 检查文件权限,以管理员身份运行 |
| 命令执行失败 | 参数错误或环境依赖缺失 | 检查命令语法,确认依赖已安装 |
| 进程超时 | 命令执行时间过长 | 增加超时设置,优化命令参数 |
| 网络连接失败 | DNS解析失败或防火墙拦截 | 检查网络配置,确认代理设置 |
receiving-code-revie通用排查步骤
- 检查输入参数: 确认所有必填参数已提供且格式正确
- 查看日志输出: 定位具体错误行和异常类型
- 验证环境配置: 确认依赖库版本和运行环境满足要求
- 逐步调试: 缩小问题范围,隔离故障模块
安装步骤
- 配置API密钥: 在环境变量中设置对应的API Key
- 初始化连接: 使用提供的凭证建立API连接
- 调用接口: 传入必要参数执行API调用
- 准备文件: 确认文件路径正确且格式受支持
- 执行处理: 调用对应的处理函数
- 查看结果: 检查输出文件或返回数据
- 检查环境: 确认运行时和依赖已安装
- 执行命令: 使用正确的参数格式执行
- 查看输出: 检查命令输出和退出码
前置条件
- 已安装所需运行环境(参考依赖说明)
- 已获取必要的API密钥或访问凭证(如适用)
- 输入数据已准备就绪
适用范围
适用场景
- 自动化处理与批量操作场景
- 数据转换与格式化处理
触发条件
当用户需要执行相关操作时自动触发(trigger)。
不适用于
- 需要实时人工干预的场景(limitation)
异常恢复流程
针对receiving-code-revie使用中可能遇到的常见问题,提供以下排查方案:
| 错误类型 | 原因分析 | 解决方案 |
|---|---|---|
| API认证失败(401) | API密钥错误或过期 | 检查密钥配置,重新生成token |
| 接口限流(429) | 请求频率超出限制 | 降低调用频率,启用重试退避策略 |
| 响应超时(504) | 网络延迟或服务端负载过高 | 增加超时阈值,检查网络连接 |
| 文件不存在 | 路径错误或文件未创建 | 检查路径拼写,确认文件已生成 |
| 文件格式不支持 | 扩展名不在支持列表中 | 转换为支持的格式后重试 |
| 权限不足 | 当前用户无读写权限 | 检查文件权限,以管理员身份运行 |
| 命令执行失败 | 参数错误或环境依赖缺失 | 检查命令语法,确认依赖已安装 |
| 进程超时 | 命令执行时间过长 | 增加超时设置,优化命令参数 |
| 网络连接失败 | DNS解析失败或防火墙拦截 | 检查网络配置,确认代理设置 |
异常恢复策略
针对receiving-code-revie使用中可能遇到的常见问题,提供以下排查方案:
| 错误类型 | 原因分析 | 解决方案 |
|---|---|---|
| API认证失败(401) | API密钥错误或过期 | 检查密钥配置,重新生成token |
| 接口限流(429) | 请求频率超出限制 | 降低调用频率,启用重试退避策略 |
| 响应超时(504) | 网络延迟或服务端负载过高 | 增加超时阈值,检查网络连接 |
| 文件不存在 | 路径错误或文件未创建 | 检查路径拼写,确认文件已生成 |
| 文件格式不支持 | 扩展名不在支持列表中 | 转换为支持的格式后重试 |
| 权限不足 | 当前用户无读写权限 | 检查文件权限,以管理员身份运行 |
| 命令执行失败 | 参数错误或环境依赖缺失 | 检查命令语法,确认依赖已安装 |
| 进程超时 | 命令执行时间过长 | 增加超时设置,优化命令参数 |
| 网络连接失败 | DNS解析失败或防火墙拦截 | 检查网络配置,确认代理设置 |
Top skills in this category
Skill Vetter
@spclaudehomeSecurity-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
Github
@steipeteInteract with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
Humanizer
@biostartechnologyRemove signs of AI-generated writing from text. Use when editing or reviewing text to make it sound more natural and human-written. Based on Wikipedia's comprehensive "Signs of AI writing" guide. Detects and fixes patterns including: inflated symbolism, promotional language, superficial -ing analyses, vague attributions, em dash overuse, rule of three, AI vocabulary words, negative parallelisms, and excessive conjunctive phrases.
Free Ride - Unlimited free AI
@shaivpidadiManages free AI models from OpenRouter for OpenClaw. Automatically ranks models by quality, configures fallbacks for rate-limit handling, and updates opencla...
Elite Longterm Memory
@nextfrontierbuildsUltimate AI agent memory system for Cursor, Claude, ChatGPT & Copilot. WAL protocol + vector search + git-notes + cloud backup. Never lose context again. Vibe-coding ready.