code-review
par microsoft
Examiner les modifications de code sous plusieurs angles avec amorçage contextuel, rigueur par niveaux de profondeur et sortie structurée des résultats.
npx skills add https://github.com/microsoft/hve-core --skill code-reviewCode Review Skill Entry
This SKILL.md is the entrypoint for the Code Review skill.
The skill provides a reusable review workflow for pull requests, branch diffs, and local changes across functional, standards, accessibility, security, and readiness perspectives. It separates the review target and profile from perspective and depth selection, and centralizes change-brief preparation, severity normalization, and output contracts so review agents stay thin and consistent.
Shared principles
Review work should stay anchored in evidence and should avoid premature conclusions. Keep the review grounded in file and line evidence, use proportional depth based on risk, read the full diff range before narrowing, and keep factual orientation separate from structured findings.
Normative references
- Output Formats: reporting structure, merged report skeleton, and persisted artifact contract.
- Severity Taxonomy: severity levels, verdict normalization, and risk classification.
- Lens Checklists: perspective-specific review questions for functional, standards, accessibility, security, and readiness reviews.
- Context Bootstrap: Tier 0 procedure for proving the change surface, drafting a change brief, and scoping hotspots.
- Depth Tiers: basic, standard, and comprehensive verification rigor dials.
- Walkthrough Protocol: firm orientation floor, full-diff reading contract, and Register 1 narrative guidance.
- Dispatch Loop: human-steered dispatch board, manifest schema, and walk-back loop contract.
- Emission Modes: capability-gated dual-mode emission and persisted emission record.
- Cross-Skill Forks: specialist review registry and package-aware gating for follow-up reviews.
- Review Targets and Profiles: target resolution, profile expansion, task serialization, and emission identity.
- Change-Risk Evidence Checklist: advisory evidence categories for selecting review depth with human confirmation.
Skill layout
SKILL.md: this file (skill entrypoint).references/: durable review knowledge documents.output-formats.md: output schema, report skeleton, and persistence behavior.severity-taxonomy.md: severity and verdict normalization model.lens-checklists.md: per-perspective review checklists.context-bootstrap.md: Tier 0 context bootstrap and human-scoping workflow.depth-tiers.md: Tier 1/2/3 verification-depth guidance.walkthrough-protocol.md: orientation-first walkthrough contract and Register 1 narrative expectations.dispatch-loop.md: dispatch board, manifest schema, and walk-back loop.emission-modes.md: native and canonical emission strategies.cross-skill-forks.md: specialist review registry and gating rules.review-targets.md: review target, profile, and task-state rules.change-risk-model.md— advisory evidence checklist for selecting review depth with human confirmation.
Plus de skills de microsoft
oss-growth
microsoft
Persona de growth hacker OSS
agent-framework-azure-ai-py
microsoft
Créez des agents Azure AI Foundry à l’aide du SDK Python Microsoft Agent Framework (agent-framework-azure-ai). À utiliser lors de la création d’agents persistants avec AzureAIAgentsProvider, de l’utilisation d’outils hébergés (interpréteur de code, recherche de fichiers, recherche web), de l’intégration de serveurs MCP, de la gestion de fils de conversation ou de l’implémentation de réponses en streaming. Couvre les outils de fonction, les sorties structurées et les agents multi-outils.
development
airunway-aks-setup
microsoft
Configurez AI Runway sur AKS — du cluster nu au modèle en cours d'exécution. Couvre la vérification du cluster, l'installation du contrôleur, l'évaluation GPU, la configuration du fournisseur et le premier déploiement. QUAND : « configurer AI Runway », « intégrer un cluster AKS », « installer AI Runway », « configuration airunway », « déployer un modèle sur AKS », « inférence GPU sur AKS », « configuration KAITO sur AKS », « exécuter LLM sur AKS », « vLLM sur AKS », « configurer le service de modèles sur AKS », « contrôleur AI Runway ».
devops
appinsights-instrumentation
microsoft
Conseils pour instrumenter les applications web avec Azure Application Insights. Fournit des modèles de télémétrie, la configuration du SDK et des références de configuration. QUAND : comment instrumenter une application, SDK App Insights, modèles de télémétrie, qu'est-ce qu'App Insights, conseils sur Application Insights, exemples d'instrumentation, bonnes pratiques APM.
devops
applicationinsights-web-ts
microsoft
Instrumentez les applications navigateur/web avec le SDK JavaScript Application Insights (@microsoft/applicationinsights-web). Utilisez-le pour la surveillance des utilisateurs réels (RUM) — vues de page, clics, dépendances AJAX/fetch, exceptions, événements personnalisés et traces d’agents GenAI côté navigateur corrélées aux traces OpenTelemetry backend. Couvre le script de chargement du SDK et la configuration npm, les extensions de framework (React, React Native, Angular), Click Analytics, les initialiseurs de télémétrie et les conventions sémantiques OTel GenAI pour les spans d’agents/outils/modèles émises depuis le navigateur.
devops
azure-ai-anomalydetector-java
microsoft
Créez des applications de détection d'anomalies avec le SDK Azure AI Anomaly Detector pour Java. Utilisez-le lors de l'implémentation de la détection d'anomalies univariées/multivariées, de l'analyse de séries temporelles ou de la surveillance basée sur l'IA.
development
azure-ai-language-conversations-py
microsoft
Implémentez la compréhension du langage conversationnel (CLU) à l’aide du SDK Python azure-ai-language-conversations. Utilisez-le lorsque vous travaillez avec ConversationAnalysisClient pour analyser l’intention et les entités d’une conversation, créer des fonctionnalités de NLP ou intégrer la compréhension du langage dans des applications.
development
azure-ai-ml-py
microsoft
SDK v2 d’Azure Machine Learning pour Python. Utiliser pour les espaces de travail ML, les tâches, les modèles, les jeux de données, le calcul et les pipelines. Déclencheurs : « azure-ai-ml », « MLClient », « espace de travail », « registre de modèles », « tâches d’entraînement », « jeux de données ».
development