| name | kernel-pipeline |
| description | Orchestrazione completa della pipeline kernel su un bug: T1 compressione (hook, ambientale) -> T2 repo slice -> T3 carta del task -> fix -> T4 verifica. Usala per bug non banali in repo medio-grandi; per bug piccoli usa direttamente kernel-repo-slice o niente. |
kernel-pipeline — C' = T4(T3(T2(T1(C))))
Ogni stadio e' un operatore con un invariante dichiarato. T1 (compressione
degli output dei tool) e' ambientale: gli hook la applicano gia'. Questa
skill orchestra il resto.
Quando
Bug non banale in repo con molti file. Se il repo e' piccolo o il fix e'
ovvio, salta la pipeline: il costo degli stadi deve valere meno del vagare.
Stadi
- T2 — slice del repo (deterministico): segui
kernel-repo-slice col
sintomo. Ottieni il manifest C2. In Pi puoi delegare al tool isolato
kernel_scout; in Claude Code all'agent kernel-scout.
- T3 — carta del task (semantico, citabile): segui
kernel-invariants
sui file di C2. Ottieni la carta C3. In Pi puoi delegare al tool isolato
kernel_extractor; in Claude Code all'agent kernel-extractor.
- Fix: lavora SOLO da C3 + i file citati. Regola page-fault: se serve
un file fuori slice, leggilo e ANNOTA il miss (file + perche' serviva).
- T4 — verifica: ripassa la carta vincolo per vincolo contro il diff.
A campione (fix delicati):
kernel-verify con Q = il bug, x = i file
citati interi, pi(x) = la carta — la risposta cambia? In Pi puoi delegare
al tool isolato kernel_verifier; in Claude Code all'agent
kernel-verifier.
Telemetria (per la curva rate-distortion)
A fine giro annota quattro numeri nel report:
- rate: file in slice / file scansionati (dal manifest)
- fault: quanti page fault (file fuori slice letti davvero)
- repair: costo dei fault (righe lette fuori slice)
- verdetto T4: vincoli rispettati / violati
Un fault alto con repair basso = la slice era aggressiva ma il modello
regge (bene). Vincoli violati non citati = T3 ha perso segnale (male:
stringere T3, non allargare T2).
Persistenza (OBBLIGATORIA a fine giro)
Oltre al report, appendi UNA riga JSON per run a ~/.context-kernel-pipeline.jsonl
(e' il dataset della curva rate-distortion). Schema — coi numeri veri del run:
python3 - <<'PYEOF'
import json, os, datetime
rec = {
"ts": datetime.datetime.now().isoformat(timespec="seconds"),
"repo": "/path/del/repo", "scanned": 1415, "slice": 123,
"fault": 2, "repair_righe": 15,
"verdetto": "PASS", "vincoli": "12/12",
"note": "cosa ha morso il fault, se c'e' stato",
}
rec["rate"] = round(1 - rec["slice"] / rec["scanned"], 3)
with open(os.path.expanduser("~/.context-kernel-pipeline.jsonl"), "a") as f:
f.write(json.dumps(rec) + "\n")
PYEOF
