de aiekit15
Améliorez la qualité du code Python/ML avec des annotations de type, des docstrings de contrat, des audits d'exceptions, des tests basés sur les propriétés avec Hypothesis et des tests de mutation avec mutmut.
Ce skill propose un guide pratique pour augmenter la qualité du code Python (particulièrement pour le ML). Il guide l'annotation des API publiques, l'écriture de docstrings de type contrat, l'audit de la gestion des exceptions et l'application de tests basés sur les propriétés via Hypothesis. Il couvre également les tests de mutation (mutmut) pour mesurer la robustesse des tests, la configuration de Ruff pour les projets ML, et des exercices de pré-mortem pour identifier les hypothèses fragiles avant qu'elles n'échouent. Les conseils sont actionnables : checklists, modèles et modèles de test utilisables immédiatement dans une base de code existante.
Utilisez ce skill lorsque vous devez renforcer un pipeline Python ou ML existant : ajout ou resserrement des annotations de type, rédaction de docstrings de contrat pour les fonctions publiques, audit des blocs try/except, création de stratégies Hypothesis pour les tenseurs ou configurations, diagnostic de tests instables (flaky tests), ou évaluation de la qualité de la couverture des tests via les tests de mutation. Il est adapté à la revue de code, au renforcement des tests CI et à la préparation de modules pour la production.
references/ riches avec des modèles et des analyses approfondies (has_references=true).Idéalement utilisé avec des agents qui exécutent ou authorisent du code et des tâches CI (assistants de code de type Copilot, Claude Code, modèles Codex/Code) et tout workflow capable de générer ou d'appliquer des commandes shell/python dans un repo.
Cette compétence n'a pas encore été examinée par notre pipeline d'audit automatisé.
