| name | agentic-lifecycle-manager |
| description | End-to-end management of AI agent skills, context optimization (MCE), and lifecycle monitoring (Discovery to Refinement to Consolidation). |
Advanced Agentic Lifecycle Manager (ALM)
ทักษะนี้คือโครงสร้างพื้นฐานสำหรับการบริหารจัดการ Agentic Stack แบบครบวงจร (Full-lifecycle) ครอบคลุมการจัดการสกิล, การเพิ่มประสิทธิภาพ Context (MCE), และระบบติดตามพฤติกรรมเพื่อปรับปรุงตนเองตามมาตรฐาน Agent SDK 2026
1. องค์ประกอบของระบบ (Core Components)
1.1 Skill Architecture (Hub-and-Stub)
- Hub (
AGENTS.md): ศูนย์กลางควบคุมและนำเข้า (Import) สกิลที่จำเป็น
- Stub (
SKILL.md): สกิลย่อยที่ถูกออกแบบมาให้เป็นโมดูล (Modular) เจาะจงงานเดียว
- Progressive Disclosure: โหลดเฉพาะส่วน "Instructions" ของสกิลเมื่อมีการเรียกใช้เท่านั้น
1.2 Orchestration Schema
| Layer | Description | Standard |
|---|
| Agent | ตัวตนและเป้าหมายหลัก (Identity & Goals) | AGENT_SPEC |
| Skill | ชุดขั้นตอนและขั้นตอนวิธี (Reusable Procedures) | SKILL_MD |
| Command | คำสั่ง CLI ที่เรียกใช้เครื่องมือโดยตรง | SLASH_COMMAND |
| Hook | ตรรกะที่รันก่อน/หลัง การทำงาน (Pre/Post tool-use) | AGENT_HOOK |
2. ขั้นตอนการจัดการคอนแท็ก (Context Optimization - MCE)
Step 1: Hierarchical Categorization
จัดกลุ่มสกิลตามความถี่การใช้งาน:
- Core: โหลดเสมอ (Mandates, Identity)
- Active: โหลดเมื่ออยู่ใน Workflow ที่เกี่ยวข้อง
- On-demand: เรียกใช้ผ่าน RAG เมื่อจำเป็นเท่านั้น
Step 2: Semantic Compression
ใช้ระบบ Meta Context Engineering (MCE) เพื่อลดขนาดประวัติ:
- สรุปผลลัพธ์จากเครื่องมือที่ยาวเกิน 50 บรรทัด
- แปลง Logs ที่ซับซ้อนให้กลายเป็น "State Change" (เช่น "User moved file X to Y")
3. ระบบปรับปรุงสกิล (Skill Evolution Loop)
3.1 Tracking (ติดตามพฤติกรรม)
เก็บข้อมูลการใช้งานลงใน docs/TELEMETRY.md:
- Hit Rate: สกิลถูกเรียกใช้บ่อยแค่ไหน?
- Success Rate: สกิลช่วยให้งานสำเร็จหรือไม่? (ผ่าน Verification Gate หรือไม่)
- Token Cost: ปริมาณ Token ที่สกิลนี้ใช้ต่อรอบงาน
3.2 Consolidation & Merging (การรวมสกิล)
เมื่อพบสกิลที่ซ้ำซ้อน (Semantic Overlap > 85%):
- Analyze: ให้ "Reflector Agent" วิเคราะห์จุดร่วมและจุดต่าง
- Synthesize: สร้าง "Master Skill" ที่มีประสิทธิภาพสูงสุด
- Prune: ย้ายสกิลเก่าเข้าสู่
.archive/
4. คำสั่งการบริหารจัดการ (Manual Commands)
alm status: สรุปภาพรวมจำนวนสกิลและประสิทธิภาพปัจจุบันalm optimize: รันกระบวนการ MCE เพื่อลดขนาด Context ปัจจุบันalm consolidate: ตรวจสอบและเสนอแผนการรวมสกิลที่ซ้ำซ้อนalm learn --from <log_path>: สร้างสกิลใหม่จากประวัติการทำงานที่สำเร็จ (Golden Trajectory)
5. กฎเหล็ก (Non-negotiable Rules)
- Verification Gate First: ห้ามรับสกิลใหม่เข้าระบบหากไม่มี Test Case รองรับ
- Artifacts Over Memory: ข้อมูลสำคัญต้องถูกเขียนลงไฟล์เสมอ ห้ามหวังพึ่งความจำใน Session
- Zero Drift: หากพบว่าคำแนะนำในสกิลขัดกับ
SPEC.md, ให้หยุดและรายงานทันที
