mcp-chaining

Research-to-implement pipeline chaining 5 MCP tools with graceful degradation

1. Zainstaluj skill w swoim katalogu .claude/skills, upewniając się że masz zainstalowany Python 3.10+ i narzędzie uv do zarządzania zależnościami. 2. Przygotuj temat badawczy i katalog docelowy — na przykład chcesz zbadać "async error handling python" w katalogu ./workspace/pipeline-test. 3. Uruchom potok w trybie dry-run, aby zobaczyć plan działania bez wprowadzania zmian: uv run python -m runtime.harness scripts/research_implement_pipeline.py --topic "async error handling python" --target-dir "./workspace/pipeline-test" --dry-run --verbose. 4. Jeśli plan wygląda poprawnie, uruchom potok bez flagi --dry-run, aby wykonać pełny przepływ: wyszukiwanie dokumentacji, analizę kodu, przeszukiwanie bazy, walidację jakości i operacje Git. 5. Weryfikuj wyniki za pomocą testów: uv run python -m runtime.harness scripts/test_research_pipeline.py --test all. 6. W przypadku problemów z dostępem do zmiennych środowiskowych (np. brakujące klucze API), sprawdź że plik ~/.claude/.env istnieje i zawiera wymagane zmienne — skill automatycznie przekazuje je do podprocesów MCP.