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.

Quellinformationen

Repository
Buleje/Mercado
Letzte Quellaktivität
12. April 2026 um 06:45
Erkannte Sprache von SKILL.md
Spanisch
Sterne
0
Forks
0

Installationsoptionen

Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.

Quelldateien prüfen

Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.

SKILL.md wird angezeigt

SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau
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 |
Auf GitHub ansehen