Skip to content

artubss/SKILLS-CLAUDE-CODE / skills/skills/development/claude-api

claude-api

Unverified

Construa, depure e otimize aplicativos com Claude API / SDK Anthropic. Aplicativos construídos com esta skill devem incluir cache de prompt. Também lida com migração de código Claude API existente entre versões de modelo (4.5 → 4.6, 4.6 → 4.7, substituições de modelo descontinuado). TRIGGER quando: código importa `anthropic`/`@anthropic-ai/sdk`; usuário solicita Claude API, SDK Anthropic ou Managed Agents; usuário adiciona/modifica/afina um recurso Claude (cache, thinking, compaction, tool use, batch, files, citations, memory) ou modelo (Opus/Sonnet/Haiku) em um arquivo; dúvidas sobre prompt caching / cache hit rate em um projeto SDK Anthropic. SKIP: arquivo importa `openai`/SDK de outro provedor, nome de arquivo como `*-openai.py`/`*-generic.py`, código agnóstico de provedor, programação geral/ML.

Construindo Aplicativos Alimentados por LLM com Claude

Esta skill ajuda você a construir aplicativos alimentados por LLM com Claude. Escolha a superfície certa com base em suas necessidades, detecte a linguagem do projeto e leia a documentação específica do idioma relevante.

Antes de Começar

Verifique o arquivo de destino (ou, se não houver arquivo de destino, o prompt e o projeto) em busca de marcadores de provedor não-Anthropic — import openai, from openai, langchain_openai, OpenAI(, gpt-4, gpt-5, nomes de arquivo como agent-openai.py ou *-generic.py, ou qualquer instrução explícita para manter o código agnóstico de provedor. Se encontrar algum, pare e avise o usuário que esta skill produz código Claude/SDK Anthropic; pergunte se deseja alternar o arquivo para Claude ou se deseja uma implementação não-Claude. Não edite um arquivo não-Anthropic com chamadas SDK Anthropic.

Requisito de Output

Quando o usuário solicita adicionar, modificar ou implementar um recurso Claude, seu código deve chamar Claude através de um dos seguintes:

  1. O SDK Anthropic oficial para a linguagem do projeto (anthropic, @anthropic-ai/sdk, com.anthropic.*, etc.). Esta é a padrão sempre que existe um SDK oficial suportado para o projeto.
  2. HTTP bruto (curl, requests, fetch, httpx, etc.) — apenas quando o usuário solicita explicitamente cURL/REST/HTTP bruto, o projeto é um projeto shell/cURL, ou a linguagem não possui SDK oficial.

Nunca misture os dois — não recorra a requests/fetch em um projeto Python ou TypeScript apenas porque parece mais leve. Nunca recue para shims compatíveis com OpenAI.

Nunca adivinhe o uso do SDK. Nomes de funções, nomes de classes, namespaces, assinaturas de método e caminhos de import devem vir de documentação explícita — seja dos arquivos {lang}/ desta skill ou dos repositórios SDK oficiais ou links de documentação listados em shared/live-sources.md. Se o binding que você precisa não estiver explicitamente documentado nos arquivos da skill, WebFetch o repositório SDK relevante de shared/live-sources.md antes de escrever código. Não deduza APIs Ruby/Java/Go/PHP/C# a partir de shapes cURL ou do SDK de outra linguagem.

Padrões

A menos que o usuário solicite de outra forma:

Para a versão do modelo Claude, use Claude Opus 4.7, que você pode acessar através da string de modelo exata claude-opus-4-7. Use adaptive thinking (thinking: {type: "adaptive"}) por padrão para qualquer coisa remotamente complicada. E finalmente, use streaming por padrão para qualquer solicitação que possa envolver entrada longa, saída longa ou max_tokens alto — evita atingir timeouts de solicitação. Use o helper .get_final_message() / .finalMessage() do SDK para obter a resposta completa se você não precisar lidar com eventos de stream individuais.


Subcomandos

Se a Solicitação do Usuário na parte inferior deste prompt for uma string de subcomando vazia (sem prosa), pesquise toda tabela Subcomandos neste documento — incluindo qualquer uma em seções anexadas — e siga a coluna Ação correspondente diretamente. Isso permite que usuários invoquem fluxos específicos via /claude-api <subcomando>. Se nenhuma tabela no documento corresponder, trate a solicitação como prosa normal.


Detecção de Linguagem

Antes de ler exemplos de código, determine em qual linguagem o usuário está trabalhando:

  1. Procure em arquivos de projeto para inferir a linguagem:

    • *.py, requirements.txt, pyproject.toml, setup.py, Pipfile → Python — leia de python/
    • *.ts, *.tsx, package.json, tsconfig.json → TypeScript — leia de typescript/
    • *.js, *.jsx (sem arquivos .ts presentes) → TypeScript — JS usa o mesmo SDK, leia de typescript/
    • *.java, pom.xml, build.gradle → Java — leia de java/
    • *.kt, *.kts, build.gradle.kts → Java — Kotlin usa o SDK Java, leia de java/
    • *.scala, build.sbt → Java — Scala usa o SDK Java, leia de java/
    • *.go, go.mod → Go — leia de go/
    • *.rb, Gemfile → Ruby — leia de ruby/
    • *.cs, *.csproj → C# — leia de csharp/
    • *.php, composer.json → PHP — leia de php/
  2. Se múltiplas linguagens detectadas (ex: arquivos Python e TypeScript):

    • Verifique a qual linguagem a questão ou arquivo atual do usuário se relaciona
    • Se ainda ambíguo, pergunte: "Detectei arquivos Python e TypeScript. Qual linguagem você está usando para a integração Claude API?"
  3. Se a linguagem não puder ser inferida (projeto vazio, sem arquivos de origem ou linguagem não suportada):

    • Use AskUserQuestion com opções: Python, TypeScript, Java, Go, Ruby, cURL/HTTP bruto, C#, PHP
    • Se AskUserQuestion não estiver disponível, padrão para exemplos Python e anote: "Mostrando exemplos Python. Avise se precisar de uma linguagem diferente."
  4. Se linguagem não suportada detectada (Rust, Swift, C++, Elixir, etc.):

    • Sugira exemplos cURL/HTTP bruto de curl/ e anote que SDKs da comunidade podem existir
    • Ofereça mostrar exemplos Python ou TypeScript como implementações de referência
  5. Se usuário precisa de exemplos cURL/HTTP bruto, leia de curl/.

Suporte de Recurso Específico da Linguagem

LinguagemTool RunnerManaged AgentsNotas
PythonSim (beta)Sim (beta)Suporte completo — decorador @beta_tool
TypeScriptSim (beta)Sim (beta)Suporte completo — betaZodTool + Zod
JavaSim (beta)Sim (beta)Beta tool use com classes anotadas
GoSim (beta)Sim (beta)BetaToolRunner no pacote toolrunner
RubySim (beta)Sim (beta)BaseTool + tool_runner em beta
C#NãoNãoSDK oficial
PHPSim (beta)Sim (beta)BetaRunnableTool + toolRunner()
cURLN/ASim (beta)HTTP bruto, sem recursos SDK

Exemplos de código Managed Agents: READMEs específicos da linguagem dedicados são fornecidos para Python, TypeScript, Go, Ruby, PHP, Java e cURL ({lang}/managed-agents/README.md, curl/managed-agents.md). Leia o README da sua linguagem mais os arquivos de conceito agnósticos da linguagem shared/managed-agents-*.md. Agents são persistentes — crie uma vez, referencie por ID. Armazene o ID do agent retornado por agents.create e passe-o para cada sessions.create subsequente; não chame agents.create no caminho de solicitação. A CLI Anthropic é uma forma conveniente de criar agents e environments de YAML versionado em controle de versão — sua URL está em shared/live-sources.md. Se um binding que você precisa não for mostrado no README, WebFetch a entrada relevante de shared/live-sources.md em vez de adivinhar. C# não possui suporte atual para Managed Agents; use requisições HTTP bruto no estilo cURL contra a API.


Qual Superfície Devo Usar?

Comece simples. Padrão para a camada mais simples que atende suas necessidades. Chamadas de API únicos e workflows lidam com a maioria dos casos de uso — apenas procure por agents quando a tarefa genuinamente exigir exploração aberta e orientada por modelo.

Caso de UsoCamadaSuperfície RecomendadaPor que
Classificação, sumarização, extração, Q&AChamada LLM únicaClaude APIUma solicitação, uma resposta
Processamento em lote ou embeddingsChamada LLM únicaClaude APIEndpoints especializados
Pipelines multi-etapa com lógica controlada por códigoWorkflowClaude API + tool useVocê orquestra o loop
Agent customizado com suas próprias toolsAgentClaude API + tool useMáxima flexibilidade
Agent gerenciado pelo servidor com workspaceAgentManaged AgentsAnthropic executa o loop e hospeda a sandbox de execução de tools
Configurações de agent persistidas e versionadasAgentManaged AgentsAgents são objetos armazenados; sessions fixam a uma versão
Agent de longa duração com montagens de arquivoAgentManaged AgentsContêineres por-sessão, stream de eventos SSE, Skills + MCP

Nota: Managed Agents é a escolha certa quando você quer que Anthropic execute o loop do agent e hospede o contêiner onde tools são executadas — operações de arquivo, bash, execução de código rodam tudo lá. Se você quer hospedar o compute você mesmo ou executar seu próprio tool runtime customizado, Claude API + tool use é a escolha certa — use o tool runner para manipulação automática de loop, ou o loop manual para controle fino (gates de aprovação, logging customizado, execução condicional).

Provedores terceirizados (Amazon Bedrock, Google Vertex AI, Microsoft Foundry): Managed Agents não está disponível em Bedrock, Vertex ou Foundry. Se você estiver implementando através de qualquer provedor terceirizado, use Claude API + tool use para todos os casos de uso — incluindo aqueles onde Managed Agents seria a superfície recomendada.

Árvore de Decisão

O que seu aplicativo precisa?

0. Você está implementando através de Amazon Bedrock, Google Vertex AI, ou Microsoft Foundry?
   └── Sim → Claude API (+ tool use para agents) — Managed Agents é somente 1P.
   Não → continuar.

1. Chamada LLM única (classificação, sumarização, extração, Q&A)
   └── Claude API — uma solicitação, uma resposta

2. Você quer que Anthropic execute o loop do agent e hospede um
   contêiner por-sessão onde Claude executa tools (bash, operações de arquivo, código)?
   └── Sim → Managed Agents — sessions gerenciado pelo servidor, configurações de agent persistidas,
       stream de eventos SSE, Skills + MCP, montagens de arquivo.
       Exemplos: "agent de codificação stateful com workspace por tarefa",
                 "agent de pesquisa de longa duração que faz stream de eventos para uma UI",
                 "agent com configuração persistida e versionada usado em várias sessions"

3. Workflow (multi-etapa, orquestrado por código, com suas próprias tools)
   └── Claude API com tool use — você controla o loop

4. Agent aberto (modelo decide sua própria trajetória, suas próprias tools, você hospeda o compute)
   └── Loop agentic Claude API (máxima flexibilidade)

Devo Construir um Agent?

Antes de escolher a camada de agent, verifique todos os quatro critérios:

  • Complexidade — A tarefa é multi-etapa e difícil de especificar totalmente antecipadamente? (ex: "transformar este design doc em um PR" vs. "extrair o título deste PDF")
  • Valor — O resultado justifica custo e latência maiores?
  • Viabilidade — Claude é capaz neste tipo de tarefa?
  • Custo do erro — Erros podem ser capturados e recuperados? (testes, review, rollback)

Se a resposta for "não" para qualquer um destes, mantenha-se em uma camada mais simples (chamada única ou workflow).


Arquitetura

Tudo passa por POST /v1/messages. Tools e restrições de output são recursos deste endpoint único — não APIs separadas.

Tools definidas pelo usuário — Você define tools (via decoradores, schemas Zod, ou JSON bruto), e o tool runner do SDK manipula chamar a API, executar suas funções e fazer loop até Claude terminar. Para controle total, você pode escrever o loop manualmente.

Tools do lado do servidor — Tools hospedadas por Anthropic que rodam na infraestrutura Anthropic. Execução de código é totalmente do lado do servidor (declare em tools, Claude executa automaticamente). Uso de computador pode ser hospedado no servidor ou self-hosted.

Outputs estruturados — Restringe o formato de resposta da Messages API (output_config.format) e/ou validação de parâmetro de tool (strict: true). A abordagem recomendada é client.messages.parse() que valida respostas contra seu schema automaticamente. Nota: o parâmetro antigo output_format está descontinuado; use output_config: {format: {...}} em messages.create().

Endpoints de suporte — Batches (POST /v1/messages/batches), Files (POST /v1/files), Token Counting, e Models (GET /v1/models, GET /v1/models/{id} — descoberta ao vivo de capacidade/janela de contexto) alimentam ou suportam solicitações Messages API.


Modelos Atuais (cacheado: 2026-04-15)

ModeloID do ModeloContextoInput $/1MOutput $/1M
Claude Opus 4.7claude-opus-4-71M$5.00$25.00
Claude Opus 4.6claude-opus-4-61M$5.00$25.00
Claude Sonnet 4.6claude-sonnet-4-61M$3.00$15.00
Claude Haiku 4.5claude-haiku-4-5200K$1.00$5.00

SEMPRE use claude-opus-4-7 a menos que o usuário explicitamente nomeie um modelo diferente. Isto é não-negociável. Não use claude-sonnet-4-6, claude-sonnet-4-5, ou qualquer outro modelo a menos que o usuário literalmente diga "use sonnet" ou "use haiku". Nunca faça downgrade por custo — essa é decisão do usuário, não sua.

CRÍTICO: Use apenas as strings de ID de modelo exatas da tabela acima — elas estão completas como estão. Não adicione sufixos de data. Por exemplo, use claude-sonnet-4-5, nunca claude-sonnet-4-5-20250514 ou qualquer outra variante com sufixo de data que você possa se lembrar de dados de treinamento. Se o usuário solicita um modelo antigo não na tabela (ex: "opus 4.5", "sonnet 3.7"), leia shared/models.md para o ID exato — não construa um você mesmo.

Uma nota: se qualquer das strings de modelo acima parecerem desconhecidas para você, isso é esperado — apenas significa que foram lançadas depois do seu corte de dados de treinamento. Fique certo que são modelos reais; não nos burlariamos assim.

Busca de capacidade ao vivo: A tabela acima é cacheada. Quando o usuário pergunta "qual é a janela de contexto para X", "X suporta vision/thinking/effort", ou "quais modelos suportam Y", consulte a API de Modelos (client.models.retrieve(id) / client.models.list()) — veja shared/models.md para a referência de campo e exemplos de filtro de capacidade.


Thinking & Effort (Referência Rápida)

Opus 4.7 — Apenas adaptive thinking: Use thinking: {type: "adaptive"}. thinking: {type: "enabled", budget_tokens: N} retorna um 400 em Opus 4.7 — adaptive é o único modo on. {type: "disabled"} e omitir thinking ambos funcionam. Parâmetros de amostragem (temperature, top_p, top_k) também são removidos e retornarão 400. Veja shared/model-migration.md → Migrating to Opus 4.7 para a lista completa de mudanças quebradas. Opus 4.6 — Adaptive thinking (recomendado): Use thinking: {type: "adaptive"}. Claude decide dinamicamente quando e quanto pensar. Sem budget_tokens necessário — budget_tokens está descontinuado em Opus 4.6 e Sonnet 4.6 e não deve ser usado para código novo. Adaptive thinking também ativa automaticamente interleaved thinking (sem header beta necessário). Quando o usuário pedir "extended thinking", um "thinking budget", ou budget_tokens: sempre use Opus 4.7 ou 4.6 com thinking: {type: "adaptive"}. O conceito de um token budget fixo para thinking está descontinuado — adaptive thinking o substitui. NÃO use budget_tokens para novo código 4.6/4.7 e NÃO mude para um modelo antigo. Carve-out de migração gradual: budget_tokens ainda é funcional em Opus 4.6 e Sonnet 4.6 como uma válvula de escape transicional — se você estiver migrando código existente e precisa de um teto de token rígido antes de ter ajustado effort, veja shared/model-migration.md → Transitional escape hatch. Nota: este carve-out não se aplica a Opus 4.7 — budget_tokens está totalmente removido lá. Parâmetro Effort (GA, sem header beta): Controla profundidade de thinking e gasto de token geral via output_config: {effort: "low"|"medium"|"high"|"max"} (dentro de output_config, não top-level). Padrão é high (equivalente a omitir). max é apenas Opus-tier (Opus 4.6 e posterior — não Sonnet ou Haiku). Opus 4.7 adiciona "xhigh" (entre high e max) — a melhor configuração para codificação e uso agentic na maioria das vezes em 4.7, e o padrão em Claude Code; use um mínimo de high para a maioria do trabalho sensível à inteligência. Funciona em Opus 4.5, Opus 4.6, Opus 4.7, e Sonnet 4.6. Gerará erro em Sonnet 4.5 / Haiku 4.5. Em Opus 4.7, effort importa mais que em qualquer Opus anterior — re-ajuste ao migrar. Combine com adaptive thinking para os melhores tradeoffs custo-qualidade. Menor effort significa fewer e mais-consolidadas chamadas de tool, menos preâmbulo e confirmações mais curtas — high é frequentemente o sweet spot equilibrando qualidade e eficiência de token; use max quando correção importa mais que custo; use low para subagencts ou tarefas simples.

Opus 4.7 — conteúdo thinking omitido por padrão: Blocos thinking ainda fazem stream mas seu texto está vazio a menos que você opte com thinking: {type: "adaptive", display: "summarized"} (padrão é "omitted"). Mudança silenciosa — sem erro. Se você faz stream de reasoning para usuários, o padrão parece uma longa pausa antes de output; defina "summarized" para restaurar progresso visível.

Task Budgets (beta, Opus 4.7): output_config: {task_budget: {type: "tokens", total: N}} diz ao modelo quantos tokens ele tem para um loop agentic completo — ele vê uma contagem regressiva rodando e se auto-modera (mínimo 20,000; header beta task-budgets-2026-03-13). Distinto de max_tokens, que é um teto por-resposta forçado que o modelo não está ciente. Veja shared/model-migration.md → Task Budgets.

Sonnet 4.6: Suporta adaptive thinking (thinking: {type: "adaptive"}). budget_tokens está descontinuado em Sonnet 4.6 — use adaptive thinking em vez disso.

Modelos antigos (apenas se explicitamente solicitado): Se o usuário especificamente pede Sonnet 4.5 ou outro modelo antigo, use thinking: {type: "enabled", budget_tokens: N}. budget_tokens deve ser menor que max_tokens (mínimo 1024). Nunca escolha um modelo antigo apenas porque o usuário menciona budget_tokens — use Opus 4.7 com adaptive thinking em vez disso.


Compaction (Referência Rápida)

Beta, Opus 4.7, Opus 4.6, e Sonnet 4.6. Para conversas de longa duração que podem exceder a janela de contexto de 1M, ative compaction do lado do servidor. A API automaticamente sumariza contexto anterior quando se aproxima do limiar de ativação (padrão: 150K tokens). Requer header beta compact-2026-01-12.

Crítico: Anexe response.content (não apenas o texto) de volta para suas messages a cada turno. Blocos de compaction na resposta devem ser preservados — a API os usa para substituir o histórico compactado na próxima solicitação. Extrair apenas a string de texto e anexar isso silenciosamente perderá o estado de compaction.

Veja {lang}/claude-api/README.md (seção Compaction) para exemplos de código. Documentação completa via WebFetch em shared/live-sources.md.


Prompt Caching (Referência Rápida)

Prefix match. Qualquer mudança de byte em qualquer lugar no prefixo invalida tudo após. Ordem de render é tools → system → messages. Mantenha conteúdo estável primeiro (system prompt congelado, lista de tools determinística), coloque conteúdo volátil (timestamps, IDs por-solicitação, perguntas variantes) após o último breakpoint de cache_control.

Auto-caching de top-level (cache_control: {type: "ephemeral"} em messages.create()) é a opção mais simples quando você não precisa de colocação de breakpoint fino. Max 4 breakpoints por solicitação. Prefixo cacheable mínimo é ~1024 tokens — prefixos mais curtos silenciosamente não farão cache.

Verifique com usage.cache_read_input_tokens — se for zero em solicitações repetidas, um invalidador silencioso está em trabalho (datetime.now() em system prompt, JSON não-ordenado, conjunto de tools variante).

Para padrões de colocação, orientação arquitetural, e checklist de auditoria de invalidador silencioso: leia shared/prompt-caching.md. Sintaxe específica da linguagem: {lang}/claude-api/README.md (seção Prompt Caching).


Managed Agents (Beta)

Managed Agents é uma terceira superfície: agents stateful gerenciado pelo servidor com execução de tool hospedada por Anthropic. Você cria uma configuração de Agent persistida e versionada (POST /v1/agents), depois inicia Sessions que a referenciam. Cada sessão provisiona um contêiner como workspace do agent — bash, operações de arquivo, e execução de código rodam lá; o loop do agent mesmo roda na camada de orquestração de Anthropic e age no contêiner via tools. A sessão faz stream de eventos; você envia messages e resultados de tools de volta.

Managed Agents é somente first-party. Não está disponível em Amazon Bedrock, Google Vertex AI, ou Microsoft Foundry. Para agents em provedores terceirizados, use Claude API + tool use.

Fluxo obrigatório: Agent (uma vez) → Session (a cada execução). model/system/tools vivem no agent, nunca na session. Veja shared/managed-agents-overview.md para o guia de leitura completo, headers beta, e armadilhas.

Headers beta: managed-agents-2026-04-01 — o SDK define isso automaticamente para todas chamadas client.beta.{agents,environments,sessions,vaults,memory_stores}.*. API Skills usa skills-2025-10-02 e Files API usa files-api-2025-04-14, mas você não precisa passar explicitamente aqueles para endpoints fora de /v1/skills e /v1/files.

Subcomandos — invoque diretamente com /claude-api <subcomando>:

SubcomandoAção
managed-agents-onboardGuie o usuário através da configuração de um Managed Agent do zero. Leia shared/managed-agents-onboarding.md imediatamente e siga seu script de interview: mental model → know-or-explore branch → template config → session setup → emit code. Não resuma — execute o interview.

Guia de leitura: Comece com shared/managed-agents-overview.md, depois arquivos tópicos shared/managed-agents-*.md (core, environments, tools, events, outcomes, multiagent, webhooks, memory, client-patterns, onboarding, api-reference). Para Python, TypeScript, Go, Ruby, PHP, e Java, leia {lang}/managed-agents/README.md para exemplos de código. Para cURL, leia curl/managed-agents.md. Agents são persistentes — crie uma vez, referencie por ID. Armazene o ID do agent retornado por agents.create e passe-o para cada sessions.create subsequente; não chame agents.create no caminho de solicitação. A CLI Anthropic é uma forma conveniente de criar agents e environments de YAML versionado em controle de versão (URL em shared/live-sources.md). Se um binding que você precisa não for mostrado no README da linguagem, WebFetch a entrada relevante de shared/live-sources.md em vez de adivinhar. C# não possui suporte atual para Managed Agents; use HTTP bruto de curl/managed-agents.md como referência.

Quando o usuário quer configurar um Managed Agent do zero (ex: "como começo", "me guie através de criar um", "configure um novo agent"): leia shared/managed-agents-onboarding.md e execute seu interview — mesmo fluxo que o subcomando managed-agents-onboard.

Quando o usuário pergunta "como escrevo o código cliente para X": procure por shared/managed-agents-client-patterns.md — cobre reconnect de stream lossless, gate queued/processed de processed_at, interrupt, round-trip de tool_confirmation, gate de break idle/terminated correto, race de status pós-idle, ordenação stream-first, armadilhas de file-mount, mantendo credenciais host-side via custom tools, etc.


Guia de Leitura

Depois de detectar a linguagem, leia os arquivos relevantes baseado no que o usuário precisa:

Referência Rápida de Tarefa

Classificação de texto único/sumarização/extração/Q&A: → Leia apenas {lang}/claude-api/README.md

UI de chat ou exibição de resposta em tempo real: → Leia {lang}/claude-api/README.md + {lang}/claude-api/streaming.md

Conversas de longa duração (pode exceder janela de contexto): → Leia {lang}/claude-api/README.md — veja seção Compaction Migrando para um modelo mais novo (Opus 4.7 / Opus 4.6 / Sonnet 4.6) ou substituindo um modelo descontinuado: → Leia shared/model-migration.md **Prompt c

reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis.Stars: 464kUpdated Claude CodeCodexVerifiedInstall
reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis.Stars: 464kUpdated Claude CodeCodexVerifiedInstall
diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness.Stars: 318kUpdated Claude CodeCodexUnverifiedInstall
dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependenciesStars: 318kUpdated Claude CodeCodexUnverifiedInstall