| name | run |
| description | Comando de ciclo de vida completo que encadeia init → baseline → spawn → eval → merge em uma única invocação. |
| command | /hub:run |
| agents | ["claude-code"] |
/hub:run — Ciclo de Vida Completo
Executar o ciclo de vida completo do AgentHub em um único comando: inicializar, capturar baseline, lançar agentes, avaliar resultados e mergear o vencedor.
Uso
/hub:run --task "Reduce p50 latency" --agents 3 \
--eval "pytest bench.py --json" --metric p50_ms --direction lower \
--template optimizer
/hub:run --task "Refactor auth module" --agents 2 --template refactorer
/hub:run --task "Cover untested utils" --agents 3 \
--eval "pytest --cov=utils --cov-report=json" --metric coverage_pct --direction higher \
--template test-writer
/hub:run --task "Write 3 email subject lines for spring sale campaign" --agents 3 --judge
Parâmetros
| Parâmetro | Obrigatório | Descrição |
|---|
--task | Sim | Descrição da tarefa para os agentes |
--agents | Não | Número de agentes paralelos (padrão: 3) |
--eval | Não | Comando de avaliação para medir resultados (omitir para modo juiz LLM) |
--metric | Não | Nome da métrica a extrair da saída do eval (obrigatório se --eval fornecido) |
--direction | Não | lower ou higher — qual direção é melhor (obrigatório se --metric fornecido) |
--template | Não | Template de agente: optimizer, refactorer, test-writer, bug-fixer |
O Que Faz
Executar estas etapas sequencialmente:
Passo 1: Inicializar
Executar /hub:init com os argumentos fornecidos:
python {skill_path}/scripts/hub_init.py \
--task "{task}" --agents {N} \
[--eval "{eval_cmd}"] [--metric {metric}] [--direction {direction}]
Exibir o ID da sessão ao usuário.
Passo 2: Capturar Baseline
Se --eval foi fornecido:
- Executar o comando de eval no diretório de trabalho atual
- Extrair o valor da métrica do stdout
- Exibir:
Baseline capturado: {metric} = {value}
- Adicionar
baseline: {value} a .agenthub/sessions/{session-id}/config.yaml
Se nenhum --eval foi fornecido, pular esta etapa.
Passo 3: Lançar Agentes
Executar /hub:spawn com o ID da sessão.
Se --template foi fornecido, usar o prompt de dispatch do template em references/agent-templates.md em vez do prompt de dispatch padrão. Passar o comando de eval, métrica e baseline para as variáveis do template.
Lançar todos os agentes em uma única mensagem com múltiplas chamadas à ferramenta Agent (verdadeiro paralelismo).
Passo 4: Aguardar e Monitorar
Após o spawn, informar ao usuário que os agentes estão em execução. Quando todos os agentes concluírem (ferramenta Agent retornar resultados):
- Exibir um breve resumo do trabalho de cada agente
- Prosseguir para avaliação
Passo 5: Avaliar
Executar /hub:eval com o ID da sessão:
- Se
--eval foi fornecido: classificação baseada em métrica com result_ranker.py
- Se nenhum
--eval: modo juiz LLM (coordenador lê diffs e classifica)
Se baseline foi capturado, passar --baseline {value} para result_ranker.py para que os deltas sejam exibidos.
Exibir a tabela de resultados classificados.
Passo 6: Confirmar e Mergear
Apresentar os resultados ao usuário e pedir confirmação:
Agent-2 é o vencedor (128ms, -52ms do baseline).
Mergear o branch do agent-2? [S/n]
Se confirmado, executar /hub:merge. Se recusado, informar ao usuário que pode:
/hub:merge --agent agent-{N} para escolher um vencedor diferente/hub:eval --judge para re-avaliar com juiz LLM- Inspecionar branches manualmente
Regras Críticas
- Execução sequencial — cada etapa depende da anterior
- Parar em caso de falha — se alguma etapa falhar, reportar o erro e parar
- Usuário confirma o merge — nunca auto-mergear sem perguntar
- Template é opcional — sem
--template, agentes usam o prompt de dispatch padrão do /hub:spawn
