Skip to main content

evolve

Sistema unificado de auto-evolucion + aprendizaje compuesto. Analiza rendimiento de agentes, detecta patrones repetidos, genera skills/hooks/squads nuevos, y auto-mejora prompts de agentes. Fusiona evolve + compound-learning-v2.

Source facts

Repository
Buleje/Mercado
Last source activity
April 12, 2026 at 06:45
Detected SKILL.md language
Spanish
Stars
0
Forks
0

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

Showing SKILL.md

SKILL.md
Source instructions · Read-only preview
name
evolve
description
Sistema unificado de auto-evolucion + aprendizaje compuesto. Analiza rendimiento de agentes, detecta patrones repetidos, genera skills/hooks/squads nuevos, y auto-mejora prompts de agentes. Fusiona evolve + compound-learning-v2.
user-invocable
true
model
opus
context
fork
argument-hint
[analyze|apply|scan|generate|history|reset]
# /evolve — Auto-Evolucion + Aprendizaje Compuesto ## Que es Un sistema dual que: 1. **Evoluciona agentes** — mejora sus prompts basado en datos de rendimiento 2. **Aprende patrones** — detecta repeticiones y genera automatizaciones nuevas ## Comandos - `/evolve analyze` — Analiza rendimiento de agentes, propone mejoras a prompts - `/evolve apply` — Aplica mejoras propuestas a agentes - `/evolve scan` — Escanea sesion actual, detecta patrones repetidos - `/evolve generate` — Crea artifacts (skills/hooks/squads) desde patrones - `/evolve history` — Historial de evoluciones + aprendizajes - `/evolve reset [agente]` — Revierte agente a version original ## PARTE 1: Evolucion de Agentes ### Fuentes de datos - **agent-metrics** — tasa exito, tokens, tiempo por agente - **self-heal history** — errores recurrentes por agente - **A2A bus** — problemas de comunicacion inter-agentes ### Algoritmo ``` Para cada agente con >=5 sesiones: 1. Calcular: tasa exito, eficiencia, errores recurrentes 2. Identificar: que resuelve bien, que falla, que escala 3. Proponer: reglas nuevas, model upgrade, pre-checks 4. Aplicar cambios al .md del agente 5. Medir impacto en 3 sesiones siguientes 6. Si mejoro: mantener. Si empeoro: revert automatico. ``` ### Safety - Nunca eliminar reglas existentes, solo agregar/refinar - Max 3 cambios por agente por sesion - Revert automatico si tasa exito baja >10% - Min 5 sesiones de datos antes de proponer ## PARTE 2: Aprendizaje Compuesto (ex compound-learning-v2) ### Motor de deteccion | Patron | Deteccion | Artifact generado | |---|---|---| | Archivos co-editados 3+ veces | git log clusters | Skill con pre-carga | | Error reparado 3+ veces | self-heal history | Regla en self-heal | | Agentes usados juntos 3+ veces | agent-metrics | Squad preset | | Verificacion repetida 5+ veces | command history | Hook automatico | | Decision ADR repetida 3+ veces | ADR analysis | Template ADR | ### Pipeline ``` DETECTAR (git log, metrics, self-heal) → VALIDAR (>=3 ocurrencias reales) → DRAFT artifact → PREVIEW para review → CREAR archivo → REGISTRAR en CLAUDE.md/config ``` ### Safety - Solo aprender de exitos (ignorar tareas fallidas) - Max 3 artifacts nuevos por sesion - Validacion minima: 3 ocurrencias - No aprender de archivos zona peligrosa ## Persistencia - Evoluciones: `.claude/evolution-log.json` - Patrones: `.claude/learning/patterns.json` ## Integraciones | Sistema | Rol | |---|---| | agent-metrics | Fuente de datos | | self-heal | Fuente de errores + destino de reglas | | session-recap | Trigger automatico al final | | orchestrator-config.json | Destino de cambios model/routing/squads |
View on GitHub