Agent Project Development
Beslissingsboommethodologie voor het scopen van LLM-pipelineprojecten: taak-model fit, gefaseerde architectuur, kostenberekening.
Getest · Werkt
Wat het doet
Een referentiemethodologie voor het bepalen of een taak geschikt is voor LLM-verwerking versus traditionele code, het structureren van het werk als een discrete acquire/prepare/process/parse/render pipeline met bestandssysteemstatus, en het schatten van tokenkosten vóór het bouwen. Wordt geactiveerd wanneer een gebruiker een LLM-project wil starten, een batch-pipeline wil ontwerpen, de taak-model fit wil evalueren, of wil kiezen tussen single- en multi-agent architecturen; sluit expliciet evaluatie-rubric en multi-agent-handoff vragen uit, die thuishoren bij sibling skills.
Testrapport
Toegepast op een planningsopdracht 'vat 50 wekelijkse GitHub-problemen samen', produceerde het door de skill geleide antwoord een concrete acquire/prepare/process/parse/render pipeline met een echte kostenformule en bestandssysteemstatusindeling, versus een basislijn antwoord dat vaag multi-agent suggereerde 'als het complex wordt' - precies het anti-patroon dat de eigen beslissingsboom van de skill waarschuwt tegen voor onafhankelijke items.
Getest op: 2026-07-16 · Claude Code 2.x (agent harness)
Installatie
git clone https://github.com/viktorbezdek/skillstack mkdir -p ~/.claude/skills cp -r skillstack/agent-project-development/skills/agent-project-development ~/.claude/skills/agent-project-development
Commando's en voorbeeldprompts
/agent-project-developmentBeslissingsboommethodologie voor het scopen van LLM-pipelineprojecten: taak-model fit, gefaseerde architectuur, kostenberekening.
Skills reageren op gewone verzoeken — geen commando's om te onthouden. Na installatie activeren prompts zoals deze de skill (in het Engels):
Should I use an LLM or plain code to summarize these issues?Help me scope a pipeline for processing fifty weekly GitHub issuesEstimate the token cost before I build this batch LLM pipeline