Was macht ar?
Agent Receipts – kryptografisch signierte Prüfpfade für KI-Agentenaktionen. Protokollspezifikation, SDKs (Go, TypeScript, Python) und MCP-Proxy.
Agent Receipts – kryptografisch signierte Prüfpfade für KI-Agentenaktionen. Protokollspezifikation, SDKs (Go, TypeScript, Python) und MCP-Proxy.
Agent Receipts (AR) ist ein Protokoll und eine Reihe von Open-Source-SDKs, die kryptografisch signierte, manipulationssichere Prüfpfade (Audit Trails) für Aktionen autonomer KI-Agenten erstellen. Es ermöglicht Entwicklern, jede von einem Agenten durchgeführte Aktion – wie API-Aufrufe, Dateibearbeitungen oder Terminalbefehle – mit einer detaillierten Quittung zu versehen, die kryptografisch verifiziert werden kann. Das Projekt umfasst eine formale Protokollspezifikation und SDKs in Go, TypeScript und Python, sodass es sich nahtlos in verschiedene Agenten-Frameworks integrieren lässt. Ein MCP-Proxy (Model Context Protocol) ist ebenfalls enthalten, um die Erfassung von Quittungen in Standard-Workflows zu vereinfachen. Agent Receipts ist nützlich für Entwickler, die Sicherheit, Compliance und Rückverfolgbarkeit in KI-gesteuerten Entwicklungstools wie Claude Code, Cursor, Codex oder benutzerdefinierten Agenten-Workflows benötigen. Es arbeitet offline und benötigt kein externes Netzwerk für die Signatur, was einen vollständig dezentralen und vertrauenswürdigen Prüfpfad gewährleistet.
npx skills add agent-receipts/arInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Agent Receipts – kryptografisch signierte Prüfpfade für KI-Agentenaktionen. Protokollspezifikation, SDKs (Go, TypeScript, Python) und MCP-Proxy.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.