pysae-ai-tools 0.1.1259

Shared Python tools for Pysae Claude Code skills

ai-tools

# Linux / macOS
curl -fsSL https://tools.pysae.com/pysae-ai-tools/install.sh | bash

# Windows (PowerShell)
irm https://tools.pysae.com/pysae-ai-tools/install.ps1 | iex

# Windows (cmd.exe) - requires cURL
winget install -e --id cURL.cURL
curl -fsSL https://tools.pysae.com/pysae-ai-tools/install.cmd -o install.cmd && install.cmd

Une fois le package installé, installer (ou mettre à jour) les CLI et serveurs MCP gérés par Pysae :

pysae-ai-tools tools install

Prérequis : des clés d'accès AWS valides (AWS_ACCESS_KEY_ID + AWS_SECRET_ACCESS_KEY). De nombreux outils résolvent leurs tokens (ArgoCD, Datadog, Slack, etc.) via AWS Secrets Manager au moment de l'installation. Si l'AWS CLI n'est pas encore configurée, tools install la configure en interactif.

Dépôt central pour l'outillage IA interne de Pysae : skills Claude Code, package Python, image Docker CI et relais webhook GitLab.

Workflow complet (idée → deploy)

flowchart TD
    A["Idéation<br/>/product-discover"] --> B["Ticket<br/>/glab-issue-create"]
    B --> R["Refinement<br/>/code-refine (→ Ready)"]
    R --> C{"Feature commodity UI ?"}
    C -->|oui| D["Design<br/>/design-generate"]
    D -. "fix → re-check · jusqu'à CLEAN + COVERED" .-> D
    D --> E["Gate PM sur le rendu<br/>label Validated + lien proto sur l'issue"]
    C -->|non · interaction custom| F
    E --> F["Implémentation<br/>/code-implement"]
    subgraph AUTO ["/code-autopilot — orchestration autonome"]
        F --> G["Review<br/>/code-review-fix"]
        G -. "fix → re-review · jusqu'à APPROVED (max 5)" .-> G
        G --> H["CI<br/>/ci-run · /ci-debug"]
        H --> I["Deploy<br/>/ci-deploy · /ci-release"]
    end
    I --> P(["Prod"])

• Phase Design : features commodity UI (problème + solution connus, zéro composant neuf). Features complexes ou nouvelles → discovery + designer, on saute à l'implémentation. (Démarrage sur les fronts React+Tailwind, généralisé aux autres fronts à terme.)
• /code-autopilot orchestre seul l'implémentation → review → CI → deploy pour un ticket agent::ready.
• À venir : handoff design→dev automatisé (estampillage de l'issue avec le lien proto) ; design check rejoué sur l'UI React livrée.

Skills

Code lifecycle

Skill	Description	Invocation
code-refine	Affiner un ticket GitLab en workflow::Refinement : lever toutes les incertitudes fonctionnelles et techniques (lecture code, POC jetables), réécrire la description au présent sans trace des doutes initiaux, transition vers workflow::Ready	/pysae:code-refine
code-implement	Implémenter un ticket GitLab : branche, code, tests, commits, MR	/pysae:code-implement
code-autopilot	Pipeline autonome : implémentation, boucle de review, CI, déploiement review	/pysae:code-autopilot
code-autopilot-batch	Orchestrateur batch : pioche les tickets agent::ready, score (déterministe + Haiku), enchaîne /code-autopilot séquentiellement	/pysae:code-autopilot-batch
code-quality	Lancer tests, linters, pre-commit hooks ; corriger les erreurs avec des commits atomiques	/pysae:code-quality
code-review	Revue de code (bugs, sécurité, perf, qualité) — mode local interactif ou CI headless	/pysae:code-review
code-review-fix	Boucle review-fix : review, correction de tous les problèmes, re-review jusqu'à APPROVED	/pysae:code-review-fix
code-review-pre-release	Audit pré-release : revue du diff depuis le dernier tag semver, triage des problèmes avec création optionnelle de tickets, enchaînement sur /ci-release, puis post du recap sur le canal Slack tech du repo	/pysae:code-review-pre-release
code-get-next-version	Déterminer la prochaine version semver d'une application (auto-détection depuis les changelogs, confirmation utilisateur avec changelog agrégé en local, retour direct en CI) — utilisé par /ci-release et /code-review-pre-release	/pysae:code-get-next-version
code-changelog	Ajouter une entrée changelog dans changelogs/	/pysae:code-changelog
code-release-notes	Générer et committer sur la branche principale les notes de release destinées aux utilisateurs en trois langues (docs/release-notes/RELEASE_NOTES.{fr,en,it}.md) pour la prochaine version, à partir des commits et entrées changelog depuis le dernier tag — invoqué par /ci-release et /code-review-pre-release juste avant la création du tag	/pysae:code-release-notes
code-profile	Profiler le code (cProfile, py-spy, pyinstrument, clinic, chrome-devtools MCP) sur un test, un nouveau test ou l'app, analyser les bottlenecks et proposer des pistes d'optimisation	/pysae:code-profile
code-python-guidelines	Appliquer les conventions Python Pysae lors de l'écriture ou la revue de code	/pysae:code-python-guidelines

Design phase

Skill	Description	Invocation
design-generate	Générer un prototype HTML fidèle au design system (feature commodity), vérifié par design check / design coverage, prêt pour revue PM + handoff dev	/pysae:design-generate

Workflow (fronts React+Tailwind, features commodity) : design kit génère la constitution design.md (tokens + catalogue) depuis le code → design-generate produit un prototype HTML à vraies classes-tokens depuis les FR du ticket → boucle design check jusqu'à CLEAN → design coverage vérifie qu'aucun FR n'est sans écran → proto poussé sur la branche design/<iid> du front, rendu en URL GitLab Pages (même lien pour revue PM et user-test) → revue PM (label GitLab) → PR React au dev. Contrat durable = design.md + AC du ticket ; le proto HTML est jetable (régénéré). Détail complet : docs/specs/2026-06-09-design-phase-harness-design.md.

Commandes CLI (project-agnostic, auto-découverte des tokens @theme + du catalogue components/ui/) :

• pysae-ai-tools design kit --root <front> --out design.md — génère la constitution design.md.
• pysae-ai-tools design check <fichier> [--root <front>] — oracle déterministe (R1 couleur brute, R2 valeur arbitraire, R3 primitive hors catalogue, R4 palette Tailwind par défaut ; exit 1 si VIOLATIONS).
• pysae-ai-tools design coverage <spec.md> <coverage-map.md> — liste les FR de la spec sans écran (exit 1 si GAPS).

GitLab — Issues & Epics

Skill	Description	Invocation
glab-issue-create	Créer un ticket GitLab avec templates, labels, poids et epic parent (scoring automatique)	/pysae:glab-issue-create
glab-issue-find	Trouver un ticket par IID, URL, auteur, assignee ou mots-clés	/pysae:glab-issue-find
glab-issue-next	Choisir le prochain ticket à implémenter depuis le backlog (scoring par priorité/colonne)	/pysae:glab-issue-next
glab-issue-audit	Auditer les tickets ouverts : conformité labels, placement board, templates, titres	/pysae:glab-issue-audit
glab-issue-workflow-update	Réconcilier les statuts du board avec la réalité MR/changelog : MR ouverte → « In progress » (« Under review » si approuvée), MR toutes mergées → « To deploy », ticket de la dernière version déployée → fermé	/pysae:glab-issue-workflow-update
glab-issue-from-ai-note	Créer des issues GitLab de followup depuis les Open questions d'un fichier ai-note	/pysae:glab-issue-from-ai-note
glab-epic-attach-issues	Trouver les tickets orphelins et les rattacher aux epics (scoring + validation manuelle)	/pysae:glab-epic-attach-issues
glab-epic-create	Générer titre et description d'une epic à partir de ses tickets enfants, ou créer une epic depuis un thème	/pysae:glab-epic-create
glab-user-find	Trouver un utilisateur GitLab par nom (fuzzy match dans le groupe Pysae)	/pysae:glab-user-find

GitLab — Merge Requests

Skill	Description	Invocation
glab-mr	Créer une MR depuis la branche courante avec le bon template	/pysae:glab-mr
glab-mr-find	Trouver une MR par IID, URL, auteur ou mots-clés	/pysae:glab-mr-find
glab-mr-approve	Approuver une MR via glab CLI	/pysae:glab-mr-approve
glab-mr-merge	Fusionner une MR via glab CLI (avec contrôles préalables)	/pysae:glab-mr-merge
glab-mr-rebase	Rebaser une MR sur sa branche cible (avec résolution auto des conflits) et push	/pysae:glab-mr-rebase
glab-mr-refresh	Rebaser les MR ouvertes sur leur branche cible et relancer les pipelines	/pysae:glab-mr-refresh
glab-clone-group	Cloner tous les repos du groupe Pysae récursivement, vérifier les remotes, pull	/pysae:glab-clone-group
glab-mr-checkout	Checkout la branche associée à une MR ou un ticket	/pysae:glab-mr-checkout
git-worktree	Créer un worktree git pour isoler les changements	/pysae:git-worktree

CI/CD

Skill	Description	Invocation
ci-run	Lancer un job CI ou une chaîne de dépendances sur la branche courante	/pysae:ci-run
ci-prepare	Installer les dépendances projet en mode CI (Node via nvm, Python via poetry)	/pysae:ci-prepare
ci-debug	Déboguer les échecs de pipeline CI (logs, analyse, correctifs proposés)	/pysae:ci-debug
ci-deploy	Déployer une application (prod, review, dev) — utilise le job redeploy si disponible	/pysae:ci-deploy
ci-deploy-status	Vérifier le statut de déploiement (review, dev, prod) via GitLab, CI, kubectl	/pysae:ci-deploy-status
ci-release	Release complète : bump semver, pipeline, déploiement prod, monitoring rollout	/pysae:ci-release
ci-rollback	Rollback ou redéploiement prod (utilise redeploy si disponible, sinon deploy_prod)	/pysae:ci-rollback

Infra & AWS

Skill	Description	Invocation
infra-ops	Opérations infrastructure : kubectl, ArgoCD, Helm, déploiements, finops	/pysae:infra-ops
aws-eks-optimize	Optimiser les node groups EKS (SPOT et on-demand) en croisant Spot Advisor (taux prédictif), notre historique d'évictions CloudTrail, le prix (spot + on-demand) et la performance effective (vCPU × fréquence × IPC). Par environnement et par node group : plusieurs mix d'instances proposés avec l'évolution de 4 facteurs (coût, perf, coût/perf, risque d'éviction) et la liste Terraform	/pysae:aws-eks-optimize
teammate-access	Onboarder ou offboarder un collaborateur dans l'IaC Terraform : accès AWS IAM, EKS et MongoDB Atlas, à partir de l'email, du niveau et des environnements	/pysae:teammate-access
env-secret	Lire ou écrire des secrets applicatifs dans AWS Secrets Manager	/pysae:env-secret
env-resolve	Résoudre des variables d'environnement (MCP config → AWS Secrets Manager) et les exporter dans le shell	/pysae:env-resolve
env-mcp-cleanup	Installer un hook SessionEnd qui kill les MCP serveurs orphelins (libère la RAM des sessions Claude Code mortes — Linux + macOS)	/pysae:env-mcp-cleanup

Performance & Monitoring

Skill	Description	Invocation
infra-perf	Diagnostics performance API : latence, erreurs, pods, CPU/RAM par service	/pysae:infra-perf
infra-perf-setup	Créer les monitors Datadog pour l'alerting performance API (P99, erreurs, restarts)	/pysae:infra-perf-setup
infra-perf-report	Planifier des rapports de santé API automatiques sur Slack (6h-9h en semaine)	/pysae:infra-perf-report

Activity Tracker

Skill	Description	Invocation
track-install	Installer le hook de suivi d'activité (git, glab, fichiers, skills, agents)	/pysae:track-install
track-dashboard	Ouvrir le tableau de bord d'activité dans le navigateur	/pysae:track-dashboard
track-manual	Enregistrer du temps manuellement sur un ticket ou une epic	/pysae:track-manual
track-context	Attribuer un contexte (ticket, epic, labels) à une session existante	/pysae:track-context

API & Intégrations

Skill	Description	Invocation
pysae-api	S'authentifier (Auth0) et appeler l'API Pysae (dev/prod) : découverte dynamique du spec OpenAPI puis requêtes authentifiées	/pysae:pysae-api
openapi-to-postman	Convertir un spec OpenAPI en collection Postman avec variables d'environnement	/pysae:openapi-to-postman

Communication & Reporting

Skill	Description	Invocation
slack-ask-review	Poster une demande de review sur le bon canal Slack avec le contexte MR	/pysae:slack-ask-review
stats-weekly-summary	Générer un récap hebdomadaire de l'activité engineering formaté pour Slack	/pysae:stats-weekly-summary
stats-kpi-ops	Collecter et formater les KPIs tech hebdo/mensuels du sheet « Suivi des indicateurs Opérations » (uptime, latence p95, incidents, vélocité, DORA) en bloc colonne prêt à coller	/pysae:stats-kpi-ops
post-mortem	Générer un double rapport post-mortem (interne + externe) depuis un incident	/pysae:post-mortem

Support client (Patrick / CSM)

Skill	Description	Invocation
support-bug-investigate	Enquêter sur un bug Pysae en lisant le code cloné localement ; livre un rapport concis (30-40 lignes) avec cause racine et correctif	/pysae:support-bug-investigate
support-ticket-create	Créer un ticket Airtable Customer Service depuis une conversation Intercom, avec pré-analyse injectée dans Notes	/pysae:support-ticket-create
support-mr-fix	Ouvrir une MR de correction directe après un ticket Airtable et une issue GitLab — gate « petit fix sans risque » puis délégation à /code-implement	/pysae:support-mr-fix
support-product-ticket	Créer une suggestion produit dans la DB Notion Roadmap (sans investigation GitLab)	/pysae:support-product-ticket
support-intercom-article	Rédiger un article Help Center Intercom opérationnel (FR + EN + IT), draft publié via MCP Intercom + Composio	/pysae:support-intercom-article
support-intercom-news	Produire une annonce News Intercom (HTML autonome pour copier-coller) pour une feature shippée	/pysae:support-intercom-news

glab-issue-create accepte un flag --from-airtable <recID> pour enchaîner depuis un ticket support : il lit le ticket Airtable, mappe Sujet → projet et Criticité → label priority, ajoute les labels workflow::To Do + Support 📞, et écrit l'URL de l'issue dans le champ Ticket Gitlab du ticket Airtable après création.

Meta & DX

Skill	Description	Invocation
clawd-compound	Extraire les apprentissages de la session et les persister dans CLAUDE.md	/pysae:clawd-compound
clawd-skill-review	Auditer les skills contre les bonnes pratiques Anthropic	/pysae:clawd-skill-review
pysae-design	Appliquer la charte graphique Pysae à tous les documents et artefacts visuels	/pysae:pysae-design
product-discover	Scanner le codebase, détecter les angles morts fonctionnels, proposer des features	/pysae:product-discover

Skills publiés sur claude.ai (Claude Desktop)

Une whitelist de skills est aussi poussée vers l'API Workspace Anthropic à chaque merge sur main qui les modifie (job CI publish-skills). Les membres de l'orga les voient dans Claude Desktop et n'ont rien à installer côté skill, le serveur Anthropic les sert.

Skill	Pré-requis côté poste user
pysae-design	aucun
clawd-skill-review	aucun
clawd-compound	aucun
post-mortem	aucun (les références projet sont bundlées dans le skill)
product-discover	pysae-ai-tools + glab installés, monorepo Pysae cloné localement

La whitelist est définie dans pysae_ai_tools/skills/whitelist.py. Critère d'éligibilité : skill pure-prompt OU compatible avec un poste sur lequel pysae-ai-tools est installé. Pour publier manuellement en local, voir CONTRIBUTING.md.

Fonctionnement

Les skills tournent dans trois modes :

• Interactif (dev) — les développeurs invoquent les skills localement via Claude Code CLI (/pysae:<skill>)
• CI (headless) — l'image Docker est utilisée comme image de job GitLab CI ; le template .ai-tools-skill lance claude /<skill> en mode non-interactif
• Claude Desktop (non-tech) — les skills de la whitelist sont disponibles directement dans Claude Desktop pour toute l'orga, sans installation côté user

Autopilot batch (/code-autopilot-batch)

Orchestrateur batch au-dessus de /code-autopilot : draine une queue GitLab de tickets opt-in sans intervention humaine. Le PM tague les tickets éligibles, l'orchestrateur les ramasse en séquence, ouvre une MR draft, lance review + CI + merge, et émet un footer JSON parseable.

Workflow

1. PM pose le label agent::ready sur un ticket éligible (scope clair, < 1j dev, hors paths sensibles)
2. L'orchestrateur (local manuel, gstack /loop 15m, ou CI scheduled) :
   • Pulle les tickets agent::ready multi-projets
   • Score : métier déterministe (priorité × type × âge) × signal LLM (Haiku) en moyenne pondérée 70/30
   • Filtre les paths sensibles (regex + LLM) avec override agent::override-sensitive
   • Transition labels : agent::ready → agent::wip + commentaire pickup horodaté
   • Subprocess claude /code-autopilot <issue_url> (implement → review-fix → CI → merge → footer JSON)
   • Si escalation : agent::wip → agent::blocked + commentaire structuré (raison, run_id)
   • Reclaim automatique des WIP orphelins (> 2h sans pickup marker)
3. Report stdout (table ASCII) + Slack (#tech-ci-agent-autopilot)

Labels (à créer au niveau groupe pysae)

Label	Posé par	Sémantique
agent::ready	PM (opt-in explicite)	Ticket éligible à l'agent
agent::wip	Orchestrateur (pickup)	Lock implicite contre double-pickup
agent::blocked	Orchestrateur (escalade)	Humain doit reprendre, voir commentaire
agent::override-sensitive	PM	Force l'agent à traiter malgré la garde regex/LLM

Modes d'invocation

# Local manuel, repo courant
claude /code-autopilot-batch

# Multi-projets, dry-run pour valider sans muter
claude /code-autopilot-batch --project shift --project driver --dry-run

# Cap budget (defaults: --max-tickets 5 --max-tokens 100M, calibrated for
# interactive sessions where real Pysae tickets observed at 3-30M tokens each)
claude /code-autopilot-batch --max-tickets 3 --max-tokens 30000000 --timeout 1h

# Scheduled CI run (conservative: ~2-3 tickets/run, $30-40 cap)
claude /code-autopilot-batch --max-tickets 3 --max-tokens 30000000

# Replay manuel d'un ticket (bypasse les gardes sensitive)
claude /code-autopilot-batch --tickets https://gitlab.com/pysae/shift/app/-/issues/42

# Sans LLM (score métier déterministe seul, pas de clé API requise)
claude /code-autopilot-batch --skip-llm-rank

Exit codes (utiles en CI scheduled)

• 0 : tout traité avec succès, aucune escalade
• 1 : ≥ 1 ticket escaladé en agent::blocked (fait échouer le job pour visibilité équipe)
• 2 : erreur technique (GitLab API down, claude absent, etc.)

Contribuer

Setup de développement (linters, tests), publication manuelle des skills, et intégration des reviews IA dans un projet (template CI + variables groupe) : voir CONTRIBUTING.md.

Mise à jour

pysae-ai-tools self-update    # depuis un clone (git pull + reinstall)