Sprint Retro
Productivitysprint-retroSprint Retro is an Agent Skill for productivity published in the majiayu000/claude-skill-registry repository on GitHub: a SKILL.md instruction file an AI agent can load to do this task.
Retrospective de sprint avec analyse des metriques, patterns, calibration des tailles et plan d'amelioration
How to use this skill
Bring this guide into your coding agent with a prompt tailored to the tool you use.
- Open your project in Codex.
- Copy and paste the prompt below.
- Review files and risks before approving any action.
Inspect the Agent Skill at https://github.com/majiayu000/claude-skill-registry/blob/HEAD/skills/planning/sprint-retro/SKILL.md and all supporting files. Report provenance, permissions, scripts, dependencies, and security risks. Propose an exact installation into .agents/skills/sprint-retro, but wait for my approval before writing files or running scripts.
Copying this prompt does not install or run the skill. Review third-party files before use.
Sprint Retro
Objectif
Analyser un sprint termine pour en extraire des metriques, identifier les patterns de succes et d'echec, calibrer les estimations et produire un plan d'amelioration.
Declencheur
/sprint-retro --sprint <chemin>
Workflow en 6 etapes
Etape 1 : Collecte des donnees
- Lire
sprint-status.yaml - Collecter pour chaque story :
- Taille estimee vs duree reelle
- Difficulte declaree
- Lecons apprises (lessons_learned)
- Statut final
Etape 2 : Metriques
Calculer :
- Velocity : Nombre de stories completees
- Temps total : Somme des durees reelles
- Taux de completion : done / total
- Taux de blocage : blocked / total
- Precision des estimations : Ecart moyen taille estimee vs duree reelle
Etape 3 : Analyse des patterns
-
Patterns de succes : Qu'est-ce qui a bien fonctionne ?
- Stories completees rapidement
- Patterns techniques efficaces
- Bonnes pratiques observees
-
Patterns d'echec : Qu'est-ce qui a pose probleme ?
- Stories bloquees et raisons
- Difficultes recurrentes
- Sous-estimations systematiques
-
Analyse des retours d'experience : Agreger les lessons_learned
- Regrouper par theme (patterns, outils, architecture, processus)
- Identifier les lecons qui se repetent
Etape 4 : Performance insights
- Par epic : Quel epic a ete le plus fluide/difficile ?
- Par taille : Quelle taille est la plus fiable en estimation ?
- Par type : Frontend vs backend vs fullstack, lequel pose le plus de problemes ?
Etape 5 : Calibration des tailles
Comparer les estimations aux durees reelles :
Calibration des tailles :
S (estime < 30min) : reel moyen = {N}min -> {OK | SOUS-ESTIME | SUR-ESTIME}
M (estime 30-120min) : reel moyen = {N}min -> {OK | SOUS-ESTIME | SUR-ESTIME}
L (estime 2-4h) : reel moyen = {N}min -> {OK | SOUS-ESTIME | SUR-ESTIME}
XL (estime 4h+) : reel moyen = {N}min -> {OK | SOUS-ESTIME | SUR-ESTIME}
Recommandation : {ajuster les seuils si necessaire}
Etape 6 : Plan d'action et sauvegarde
- Generer un plan d'amelioration :
## Plan d'amelioration
### Process
- {amelioration 1}
### Estimations
- {ajustement de calibration}
### Patterns techniques
- {pattern a adopter / abandonner}
### Par skill
- feature-planner : {amelioration}
- sprint-planner : {amelioration}
- dev-story : {amelioration}
- feature-doc : {amelioration}
- Sauvegarder le rapport dans :
{docs-dir}/features/{nom}/sprint/retro-report.md
Sortie attendue
- Rapport complet affiche dans le terminal
- Fichier
retro-report.mdsauvegarde - Recommandations actionnables pour le prochain sprint