lsp-onboard
À propos
La compétence lsp-onboard effectue une analyse initiale du projet à l'aide d'outils LSP pour détecter les systèmes de build, les lanceurs de tests, les points d'entrée et les modèles architecturaux. Elle crée un profil de projet structuré que l'agent peut consulter tout au long de la session, ce qui la rend essentielle pour la première prise en main. Cette compétence nécessite le serveur MCP agent-lsp et se concentre sur l'analyse des symboles du document.
Installation rapide
Claude Code
Recommandénpx 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-onboardCopiez et collez cette commande dans Claude Code pour installer cette compétence
Documentation
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
Dépôt GitHub
Compétences associées
content-collections
MétaCette compétence propose une configuration éprouvée en production pour Content Collections, un outil axé sur TypeScript qui transforme des fichiers Markdown/MDX en collections de données typées de manière sûre avec une validation Zod. Utilisez-la lors de la création de blogs, de sites de documentation ou d'applications Vite + React riches en contenu pour garantir la sécurité de typage et la validation automatique du contenu. Elle couvre tout, de la configuration du plugin Vite et de la compilation MDX à l'optimisation des déploiements et la validation des schémas.
polymarket
MétaCette compétence permet aux développeurs de créer des applications avec la plateforme de marchés prédictifs Polymarket, incluant l'intégration d'API pour le trading et les données de marché. Elle fournit également une diffusion de données en temps réel via WebSocket pour surveiller les transactions en direct et l'activité du marché. Utilisez-la pour mettre en œuvre des stratégies de trading ou pour créer des outils traitant les mises à jour de marché en direct.
creating-opencode-plugins
MétaCette compétence aide les développeurs à créer des plugins OpenCode qui s'interconnectent avec plus de 25 types d'événements tels que les commandes, les fichiers et les opérations LSP. Elle fournit la structure du plugin, les spécifications de l'API événementielle et les modèles d'implémentation pour les modules JavaScript/TypeScript. Utilisez-la lorsque vous avez besoin d'intercepter, de surveiller ou d'étendre le cycle de vie de l'assistant IA OpenCode avec une logique personnalisée pilotée par les événements.
sglang
MétaSGLang est un framework de service LLM haute performance spécialisé dans la génération rapide et structurée pour les workflows JSON, regex et agentiques grâce à son cache de préfixe RadixAttention. Il offre une inférence nettement plus rapide, particulièrement pour les tâches avec des préfixes répétés, ce qui le rend idéal pour les sorties complexes et structurées ainsi que les conversations multi-tours. Choisissez SGLang plutôt que des alternatives comme vLLM lorsque vous avez besoin d'un décodage contraint ou que vous construisez des applications avec un partage étendu de préfixes.
