NATS

Tæt NATS/JetStream reference, der dækker streams, consumers, KV, sikkerhed, clustering og en tabel over almindelige fejl.

Af kaustavdm · kaustavdm/nats-skill

Testet · Virker ★ 9.2/10

NATS — Tæt NATS/JetStream reference, der dækker streams, consumers, KV, sikkerhed, clustering og en tabel over almindelige fejl.

Hvad det gør

En selvstændig reference til at bygge på NATS: Core NATS pub/sub, request/reply og queue groups; JetStream streams, pull/push consumers, KV og object stores; connection/reconnect options; NKey/JWT sikkerhed og subject permissions; server config, clustering, leaf nodes og Go embedding. Tre deep-dive referencefiler (jetstream.md, security.md, server-deployment.md) leveres sammen med SKILL.md og dækker fulde struct fields, beslutningstræer og Docker/Kubernetes/Helm configs. Triggere på enhver NATS/JetStream udvikling, deployment eller microservice-spørgsmål om messaging-protokol.

Testrapport

Bad om en holdbar JetStream pull-consumer snippet med korrekt nedlukning: baseline brugte den velkendte, men forkerte nc.Close() og sprang dedup/backoff-konfiguration over, mens den skill-guided version fangede præcis den fodfejl via sin egen Common Mistakes-tabel (nc.Drain(), js.Publish() med Nats-Msg-Id, Nak() ved fejl) — en konkret produktionskorrekthedsrettelse, ikke bare gentagelse af dokumentation.

Testet: 2026-07-15 · Claude Code 2.x (agent harness)

Installation

git clone https://github.com/kaustavdm/nats-skill
cd nats-skill
mkdir -p ~/.claude/skills
cp -r skills/nats ~/.claude/skills/nats

Kommandoer og eksempelprompter

  • /natsTæt NATS/JetStream reference, der dækker streams, consumers, KV, sikkerhed, clustering og en tabel over almindelige fejl.

Skills udløses af almindelige forespørgsler — ingen kommandoer at huske. Efter installationen aktiverer prompter som disse skillen (på engelsk):

  • write a durable JetStream pull consumer with proper shutdown handling
  • set up NKey security and subject permissions for my NATS cluster
  • how do I configure a NATS KV store with leaf node clustering