lsp-onboard
Acerca de
La habilidad lsp-onboard realiza un análisis inicial del proyecto utilizando herramientas LSP para detectar sistemas de compilación, ejecutores de pruebas, puntos de entrada y patrones arquitectónicos. Crea un perfil estructurado del proyecto para que el agente lo consulte durante toda la sesión, lo que la hace esencial para la incorporación inicial. Esta habilidad requiere el servidor MCP agent-lsp y se centra en el análisis de símbolos del documento.
Instalación rápida
Claude Code
Recomendadonpx skills add blackwell-systems/agent-lsp -a claude-code/plugin add https://github.com/blackwell-systems/agent-lspgit clone https://github.com/blackwell-systems/agent-lsp.git ~/.claude/skills/lsp-onboardCopia y pega este comando en Claude Code para instalar esta habilidad
Documentación
lsp-onboard
First-session project onboarding. Run this when connecting to a new project for the first time. Explores the codebase via LSP tools and produces a structured project profile: languages, build system, test runner, entry points, key types, and architecture patterns.
The profile helps the agent make better decisions throughout the session without re-exploring the same ground. Run once per project; skip on subsequent sessions unless the project structure has changed significantly.
When to Use
- First time working in a new codebase
- After major structural changes (new packages, build system migration)
- When the agent seems confused about project conventions
Do NOT run this on every session. It's a one-time exploration.
Step 1: Detect languages and servers
mcp__lsp__detect_lsp_servers({ "workspace_dir": "<root>" })
Record which languages are present and which servers are available. This tells you what the project is built with.
Step 2: Initialize and verify
mcp__lsp__start_lsp({ "root_dir": "<root>" })
Wait for initialization. Call list_symbols on one key file to verify
the workspace is indexed.
Step 3: Identify entry points
Search for common entry point patterns:
mcp__lsp__find_symbol({ "query": "main" })
mcp__lsp__find_symbol({ "query": "Run" })
mcp__lsp__find_symbol({ "query": "Handler" })
Record entry points with their file paths. These are where execution starts.
Step 4: Map the package structure
For each top-level directory that contains source files, call list_symbols
on one representative file:
mcp__lsp__list_symbols({ "file_path": "<dir>/main.go", "format": "outline" })
Build a mental map: which packages exist, what they export, how they relate. Cap at 10 packages to avoid spending too long.
Step 5: Detect build and test commands
mcp__lsp__run_build({ "workspace_dir": "<root>" })
mcp__lsp__run_tests({ "workspace_dir": "<root>" })
Record whether build and tests pass, and what language/toolchain was detected. Note the test count and any failures.
Step 6: Identify hotspots
Pick the 3-5 files that appear most central (entry points, shared types, core logic). For each:
mcp__lsp__blast_radius({ "changed_files": ["<file>"] })
Files with the most non-test callers are the architectural hotspots. Changes to these files have the widest blast radius.
Step 7: Check for diagnostics
mcp__lsp__get_diagnostics({ "file_path": "<entry-point>" })
Note any pre-existing errors or warnings. This sets the baseline so the agent knows what was broken before it started.
Step 8: Produce the project profile
Write a structured summary:
## Project Profile: <name>
### Languages
- Go (primary), TypeScript (frontend)
### Build & Test
- Build: `go build ./...` (passes)
- Test: `go test ./...` (142 tests, 0 failures)
### Entry Points
- cmd/server/main.go:15 (main)
- cmd/worker/main.go:22 (main)
### Package Map
- cmd/server/ (HTTP server, routing)
- cmd/worker/ (background job processor)
- internal/api/ (handler layer)
- internal/store/ (database access)
- internal/types/ (shared type definitions)
### Hotspots (most referenced)
1. internal/types/models.go: 85 callers across 12 files
2. internal/store/queries.go: 42 callers across 8 files
3. internal/api/handlers.go: 31 callers across 6 files
### Pre-existing Issues
- 0 errors, 2 warnings (unused imports in test files)
### Conventions Observed
- Error wrapping with fmt.Errorf
- Table-driven tests
- Handler functions return (result, error)
This profile is for the agent's reference during the session. It does not need to be saved to disk; it lives in the conversation context.
Notes
- Cap exploration at 10 packages and 5 hotspot files to keep the onboarding under 2 minutes
- If
blast_radiusis slow (large files), skip the hotspot step and note "hotspot analysis skipped (large codebase)" - The profile is advisory; update it mentally as you learn more during the session
Repositorio GitHub
Habilidades relacionadas
content-collections
MetaEsta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.
polymarket
MetaEsta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.
creating-opencode-plugins
MetaEsta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.
sglang
MetaSGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.
