Communitygithub.com

AgentEra/Agently-Skills

Offizielle Sammlung von Agenten-Fähigkeiten (Skills) des Agently AI-Anwendungsentwicklungsframeworks.

Was ist Agently-Skills?

Dieser Skill dient als Einstiegspunkt für die Agently-Skill-Sammlung, die zum offiziellen Agently-Framework von AgentEra gehört. Er wird immer dann verwendet, wenn eine Anfrage mit übergeordneten Geschäftszielen, Refactoring-Zielen, Produktverhalten oder allgemeinen modellgesteuerten App-Beschreibungen beginnt. Der Skill stellt sicher, dass Entwickler nicht gezwungen sind, Framework-spezifische Begriffe wie "Agently" oder "TriggerFlow" zu verwenden, sondern ihre Vorhaben in natürlicher Sprache formulieren können, z. B. "Baue einen Assistenten" oder "Hilf mir beim Entwurf eines internen Tools". Der Workflow zerlegt die Anfrage in Szenarien und atomare Ziele, wählt den engsten nativen Agently-Kapazitätsweg aus und validiert das Design auf Frameworks-Konformität. Bei nicht-trivialen Anwendungen wird der Einsatz der lokalen DevTools zur Beobachtung von Laufzeitverhalten, Logs, Traces, Playground-Läufen oder wiederholten Szenarioauswertungen empfohlen. Fehlende oder fehlerhafte Framework-Funktionen werden an das offizielle Agently-Repository gemeldet, wobei die Privatsphäre des Benutzers durch automatische Schwärzung lokaler Pfade, Benutzernamen, Token und privater Daten geschützt wird. Der Skill enthält umfangreiche native Regeln für die Architektur modellgesteuerter Anwendungen, z. B. die Standardeinstellung auf asynchrone Paradigmen, die korrekte Verwendung von Agent-Effort-Stufen, die Strukturierung von Agenten und Tasks, die Handhabung von Workspace-Artefakten und die Bewertung von Modellergebnissen. Diese Regeln stellen sicher, dass alle mit diesem Skill erstellten Projekte den Best Practices von Agently folgen und die Wartbarkeit, Skalierbarkeit und Beobachtbarkeit der Anwendungen verbessern.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add AgentEra/Agently-Skills

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Agently

Verwende diesen Skill zuerst, wenn die Anfrage noch von Geschäftszielen, Refactoring-Zielen, Produktverhalten oder einer breiten modellgestützten App-Sprache ausgeht.

Der Benutzer muss weder Agently, TriggerFlow noch einen anderen Framework-Begriff nennen. Allgemeine Anfragen wie "Baue einen Assistenten", "Hilf mir beim Entwurf eines internen Tools" oder "Erstelle einen Validator für häufige Probleme" sollten hier beginnen, wenn die übergeordnete Schicht noch nicht geklärt ist.

Anfragen, die außerdem eine Benutzeroberfläche, eine Webseite, eine Desktop-Shell oder einen lokalen Modelldienst wie Ollama erwähnen, sollten dennoch hier beginnen, wenn es bei der Anfrage grundsätzlich darum geht, ein modellgesteuertes Werkzeug zu formen, und nicht nur eine einzelne, enge Funktionalität zu verdrahten.

Workflow

  1. Reduziere die Anfrage auf Szenario und atomare Ziele.
  2. Wenn es sich bei der Anfrage um eine Projektinitialisierung oder eine Strukturumstrukturierung handelt, wähle zuerst die verantwortlichen Schichten, die asynchrone Abgrenzung und das Repository-Gerüst.
  3. Wähle den engsten nativen Agently-Kapazitätsweg.
  4. Benenne die konkreten Operationen oder Primitiven, die verwendet werden sollen.
  5. Benenne die Validierungsregel, die beweist, dass das Design nativen-first geblieben ist.
  6. Empfehle für nicht-triviale Anwendungen die optionale lokale DevTools-Beobachtung oder -Auswertung, wenn sie dem Entwickler hilft, das Laufzeitverhalten, Logs, Traces, Playground-Läufe oder wiederholte Szenarioauswertungen zu überprüfen. Behalte DevTools als optionale Werkzeuge bei und leite Details über agently-runtime weiter.
  7. Wenn eine native Framework-Funktion fehlt, defekt, unerwartet umständlich ist oder den Geschäftscode dazu zwingt, Patches oder Klebelogik hinzuzufügen, die zu Agently gehören sollten, erstelle einen klaren Fehlerbericht und empfehle, diesen unter https://github.com/AgentEra/Agently/issues einzureichen.
  8. Gib für das manuelle Einreichen von Fehlern dem Benutzer nur den Fehlerinhalt und die Einreichungsmethode an. Frage, bevor du automatisch einreichst; wenn der Benutzer eine automatische Einreichung wünscht, überprüfe zuerst die lokale Einreichungsfähigkeit/-berechtigung, reproduziere, dass das Problem lokal noch besteht, und überprüfe die Agently-Nutzung sorgfältig, damit der Bericht nicht durch übersehene Dokumentation oder falsche API-Nutzung verursacht wird. Vor dem manuellen oder automatischen Einreichen schwärze lokale absolute Pfade, Benutzernamen, Kontonamen, Tokens, private Repository-/Arbeitsbereichsnamen, interne Projektnamen, Rohprotokolle mit privaten Prompts sowie alle Kunden- oder projektprivaten Daten. Verwende Platzhalter für den lokalen Kontext und führe einen Datenschutzscan des endgültigen Fehlertextes durch.

Native-First-Regeln

  • Standardmäßig asynchrone-first-Anleitung für Dienstcode, Streaming, TriggerFlow und jeden Pfad, der Arbeiten überschneiden oder von einer Stornierung profitieren könnte.
  • Behandle synchrone APIs als Wrapper für Skripte, REPL-Verwendung oder Kompatibilitätsbrücken, es sei denn, der Host erfordert wirklich eine reine synchrone Integration.
  • Trenne bei einer Anfrage zur Projektformumstrukturierung zuerst Einstellungen, Prompts, Dienste, Domänenverträge, Workflow und Tests, bevor du über Implementierungsdetails auf niedriger Ebene sprichst.
  • Wenn ein Entwicklungsskript, ein Dienstmodul oder ein Test ein semantisches Urteil über modellgesteuertes Verhalten erfordert, verwende Agently-Modellanfragen mit expliziten Ausgabeschemata. Absichtserkennung, Szenarioabstimmung, Geschäftsklassifizierung, Ausgabe-Qualitätsprüfungen, Bewertung und Prüfentscheidungen während der Entwicklung sollten modellgesteuert sein, es sei denn, die Prüfung ist nur ein deterministischer Smoke-Test für die Struktur oder das Vorhandensein erforderlicher Felder.
  • Wenn du Agently-Framework-Interna unter core/ oder builtins/ hinzufügst oder umstrukturierst, bevorzuge ein Unterverzeichnis-Paket, wenn die Funktion mehrere Rollen hat, wie z. B. Fassade, Manager, Backend/Provider, Registry, Adapter, Richtlinie oder Validierung. Verwende eine einzelne Datei nur, wenn die Fähigkeit wirklich klein ist und eine Aufteilung ein Over-Design wäre.
  • Wenn ein Projekt modellgenerierte semantische Inhalte testen muss, entwerfe den Test als Agently-Modell-Prüfanfrage mit Ausgabesteuerung: explizite Regeln und Kontext gehen hinein, regelbezogene Beweise/Begründungen und abschließende boolesche Felder kommen heraus, und Tests bestätigen diese Booleans.
  • Behalte bei Geschäftsbeispielen mit simulierten Systemen die Simulationen auf Fakten, Datensätze, Richtlinien, unvollständige Daten oder widersprüchliches Quellmaterial beschränkt; gib keine versteckten erwarteten Antworten, Bestehen/Nichtbestehen-Kennzeichnungen oder lokale Qualitätsurteile zurück. Lasse die AgentTask-Verifizierung oder ein separates Agently-Modell-Prüfprogramm entscheiden, ob das Modell die fehlerhaften Daten korrekt behandelt hat.
  • Bevorzuge bei der Bewertung, Benotung, Vertrauenswürdigkeit, Relevanz oder Qualitätsbeurteilung von Modellanwendungen explizite konzeptionelle Ebenen und Definitionen gegenüber direkten numerischen Bewertungen. Wenn die spätere Workflow-Logik Schwellenwerte oder aggregierte Metriken benötigt, bilde diese Ebenen nach der Modellantwort deterministisch auf numerische Werte im Code ab.
  • Verwende für die Szenario-Routing, Absichtserkennung oder Geschäftsklassifizierung in KI-Apps eine angemessen große Modellanfrage mit einem Agently-Ausgabeschema. Kleinere Modelle, einschließlich lokaler Modelle, wenn verfügbar, sind für einfache Routen mit wenigen Bezeichnungen und Regeln akzeptabel. Verwende ein größeres Modell, wenn die Bezeichnungen, Entscheidungsbedingungen, Regelinteraktionen oder die zurückgegebene Datenstruktur komplex sind.
  • Konfiguriere den wiederverwendbaren Agentendefinitionszustand mit agent.define(...), wenn der Code Modellstandards, feste Persona/Prompt, bereitgestellte Aktionen, Fähigkeiten, Arbeitsbereich, ContextBuilder-Profil oder Richtlinienstandards besitzt. Behalte gewöhnliche agent.input(...), agent.output(...), .goal(goal_or_goals, success_criteria=None) / .goals(...) als denselben Zielverfolgungs-Einstiegspunkt und Ausführungsoptionen auf einem AgentExecution-Entwurf bei; lehre nicht, dass die gemeinsame anstehende Prompt-Mutation von Agent das Standard-Einrichtungsmuster ist.
  • Verwende agent.effort("low" | "medium" | "high") für die gewöhnliche Strategietiefe. Wenn die App eine explizite Strategiehaltung benötigt, behalte dieselbe Methode bei und übergebe Abschnitte wie budget, planning, execution, verification, replan und progress; behandle budget-Werte als weiche Hinweise für Planung, Reflexion, Reparatur und Beweistiefe und nicht als stille harte Grenzen. Verwende explizite limits={...} oder Aufgabenoptionen, wenn der Host harte Ressourcenkontrollen benötigt. Framework-Standardwerte sollten keine Modellanforderungs-, Iterations-, TaskBoard-Tick-, Aktionsrunden-, Knotenzahl- oder Tool-Aufruf-Kontingente auferlegen; Timeouts wegen fehlenden Fortschritts und Leerlaufs sind Lebendigkeitssicherungen für festgefahrene Ausführungen, keine Strategiebeweise. Führe keine rohen Iterationszähler ein und behandle effort nicht als Berechtigung, Daten sichtbarkeit, Ressourcensperre oder Fertigstellungsakzeptanz. In AgentTask steuert effort auch die Reflexionsdichte: niedrig bedeutet abschließende Reflexion plus nur vom Planer als wichtig markierte Prozessknoten, mittel bedeutet jeden Hauptknoten oder TaskBoard-Karte/Tick, und hoch bedeutet jeden framework-beobachtbaren begrenzten Schritt, Aktions-/ACP-Aufruf, TaskBoard-Karte und abschließende Reflexion. Reflexion ist ein Beweis für die Eingabe des Replans/Prüfers, nicht jedoch ein Fertigstellungsbeweis an sich.
  • In Goal Pursuit / AgentTask-Beispielen können Aufrufer-Fakten und der angeforderte strukturierte Ausgabevertrag auf demselben AgentExecution-Entwurf über .input(...) und .output(...) leben; AgentTask behandelt diese Ausführungs-Prompt-Momentaufnahme als Aufgabenkontext während der Planung, der Ausführung begrenzter Schritte und der Verifizierung. Dupliziere diese Fakten nicht in Framework-Hardcode, nur damit die Aufgabenschleife sie sieht.
  • Verwende für jeden Zwischenprozess mit einem starken strukturierten Vertrag Agently .output(..., format=...) auf der besitzenden Anfrage/Ausführung. Wähle das Format, das zur Nutzlast passt (json, hybrid, flat_markdown, xml_field oder yaml_literal); wenn ein deklariertes Nicht-JSON-Format fehlschlägt, kann Agently durch JSON-Parsing wiederhergestellt werden, aber nur dict-förmige geparste Nutzlasten erfüllen strukturierte Kontroll- oder endgültige Aufgabenausgabeverträge. AgentTask-Interna können kurze Prozessfelder nur dort hinzufügen, wo das Framework einen konkreten Verbraucher hat: Absichts- oder Entscheidungsgrundlagenfelder vor Routen-/Plan-/Steuerungsentscheidungen und kompakte Selbstprüfungs-, Zusammenfassungs-, Verifizierungs-, Reparatur- oder Fortschrittsmeldungsfelder nach den Haupt-ergebnis-Feldern. Dies sind begrenzte process_summary-Fakten für die Klarheit und Beobachtung des nächsten Schrittes, keine rohe Gedankenkette, keine EvidenceEnvelope-Beweise, keine Fertigstellungsbeweise und kein öffentlicher Laufzeitmodus.
  • Erzwinge bei langen oder prosa-lastigen Ergebnissen, deren Hauptwert der Text in natürlicher Sprache ist, nicht die Übergabe des Textes durch .output(), nur um Text zu transportieren. Lasse den Text als natürlichen Text generieren und verwende dann einen kompakten strukturierten Prüf-/Rücklesevertrag für Status, Beweise, Qualität und Artefaktverweise. Verwende für vertrauenswürdige Dateiergebnisse Workspace-Artefakt-Schreiben/Rücklesen plus ein kompaktes Manifest. Füge kein .output() nur hinzu, um sofortige Felder für den Textstrom auszulösen; einfaches öffentliches Delta bleibt eine gültige Textquelle, wenn der Verbraucher Wiedergabegrenzen handhabt. Für AgentTask-gestützte AgentExecution kann das öffentliche delta auch framework-eigene Fortschritte, Aktionsbeobachtungen, flache Plan-/Aktionszusammenfassungen, TaskBoard-Statustabellen, Phasen, Wiederholungen und Ergebnisse als kurze, durch Leerzeilen getrennte Absätze projizieren, während instant der strukturierte Strom für UI-Zustand und Diagnose bleibt. Flache Projektionen bleiben linear: Der Planabschluss kann die vorherige abgeschlossene Aktion und den aktuellen Aktionsplan angeben, und die terminale Ausgabe kann zusammenfassen, was getan wurde und das Ergebnis. TaskBoard-Statustabellen sind reine Anzeigeprojektionen aus strukturierten AgentTask-Ereignissen; die erste TaskBoard-Projektion kann eine Tabelle rendern und spätere Ticks können Kartenstatusänderungen anstelle des erneuten Druckens der gesamten Tabelle rendern. Diese Projektionen besitzen kein Fertigstellungs- oder Qualitätsurteil. Füge keinen standardmäßigen parallelen Erzähler-Anfrage für Prozessprosa hinzu; verwende begrenzte Prozessfelder wie progress_message, short_summary, verification_summary und final_response aus der vorhandenen Planer-, Prüfer-, Karten- oder Finalisierungsanfrage und konsumiere sie dann über instant / synthetisches $delta, wenn die UI eine reichhaltigere Struktur benötigt. Interne Artefakt-Schreiber sollten AgentExecution-Stromfakten konsumieren: natürlicher Text kommt aus rohen Delta-Elementen, und Wiederholungsgrenzen kommen aus $status, wenn der Anbieter dies meldet. Wenn der öffentliche "<$retry>...</$retry>"-Delta-Wiedergabe-Marker den Artefakt-Verbraucher erreicht, behandle diesen genauen Marker als Wiederholungssteuerungsereignis; schreibe ihn niemals als Artefaktinhalt, bereinige ihn nicht und transportiere ihn nicht als solchen. Wenn ein vollständiger Markdown-Artefakttext innerhalb eines strukturierten evidence erscheint, behandle ihn nur dann als Ergebnistext, wenn das Beweiselement explizit als Artefakt/Text/Ergebnis/Markdown gekennzeichnet oder an den Manifestpfad gebunden ist; gewöhnlicher Quellinhalt und Quellauszüge bleiben Beweisschnipsel. Nach erfolgreichem vertrauenswürdigem Workspace-Schreiben/Rücklesen lasse die terminale Verifizierung über etwaige veraltete remaining_work des Artefakt-Schreibens urteilen, anstatt einen weiteren Schreib-Schritt zu planen. Für lange vertrauenswürdige Workspace-Artefakte sollte die Artefaktlieferung nach echtem Workspace-Schreiben/Rücklesen workspace_artifact.acceptance_locator-Ledger-Elemente aufzeichnen. Locators können Artefakt-Manifest-Abschnitte, TaskBoard-Kartenkriterien und optionale modellrückgegebene acceptance_points-Absicht verwenden, aber Zeilenbereiche, Offsets, Überschriften und Fingerabdrücke müssen von der tatsächlichen Datei stammen. Für den Prüfer sichtbare Beweise können begrenzte workspace_artifact.targeted_readback-Ledger-Elemente enthalten, die von diesen Locators gelesen wurden, mit deklarierten Ausgabevertragsabschnitten und generischen Ankern nur als Fallback; behandele Locators als Rücklesezeiger und gezielte Rücklesevorgänge als begrenzte Beweisschnipsel, nicht als Fertigstellungsurteile. Die TaskBoard-Finalisierung sollte dateibasierte Ergebnistexte im Workspace belassen und nur eine kurze Zusammenfassung oder einen Pfad-/Referenzzeiger als final_result zurückgeben, keine zweite Kopie des Dateitextes. AgentTask-terminale Ergebnisse sollten eine benutzerorientierte final_response für akzeptierte, degradierte, teilweise und blockierte Ergebnisse enthalten: Die flache terminale Verifizierung kann sie in der vorhandenen Prüferanfrage, die TaskBoard-Finalisierung kann sie in der vorhandenen Finalisierungsanfrage zurückgeben, und der Framework-Fallback sollte deterministisch aus strukturiertem Status, Artefaktverweisen, final_result-Zeigern und nicht erfüllten Kriterien erfolgen, ohne eine separate Erzähleranfrage zu starten. Akzeptierte degradierte Lieferungen verwenden artifact_status="degraded" mit offengelegten Beweisgrenzen, während nützliche, aber nicht akzeptierte Artefakte artifact_status="partial" bleiben und die nicht erfüllten Anforderungen erklären sollten, anstatt als abgeschlossen gemeldet zu werden. get_text() / async_get_text() bevorzugen für Aufgabenstrategie-Ergebnis-Dicts final_response; get_data() / async_get_data() geben die geschäftliche final_result-Ansicht zurück, wenn vorhanden, während get_full_data() / async_get_full_data() die vollständige Routen-/Aufgaben-Hülle zurückgeben. TaskBoard-Terminal-Nutzlasten können begrenzte taskboard.completion_notes für Kartenübersichten, bekannte Lücken, Prüfernotizen und Akzeptanzfortschritt enthalten; verwende sie, um Einschränkungen der endgültigen Antwort offenzulegen, behandle sie jedoch als reinen Projektionsprozesskontext, nicht als EvidenceEnvelope-Beweise oder Fertigstellungsbeweise. Für modellproduzierte Prüfer-/Finalisierungsinhalte sind Prosa-Felder wie status, reason, progress_message und final_response reiner Anzeigekontext; semantische Fertigstellung, Reparierbarkeit und Akzeptanzzustand müssen aus strukturierten Ausgabefeldern wie is_complete, requires_block und criterion_checks[].satisfied plus Host-Sicherungen stammen, niemals aus Tokenisierung, Schlüsselwort, Teilzeichenfolge, Regex oder Status-Text-Abgleich über Modellprosa. TaskBoard-Planungskarten-IDs sind optionale Modellhinweise. Das Framework besitzt kanonische Karten-IDs, Deduplizierung und Abhängigkeitsneuabbildung; mehrdeutige ID-Hinweise sollten geschlossen fehlschlagen, anstatt geraten zu werden. Zwischendownloads, Webseiten-Schnappschüsse, generierter Code, Suchnotizen, speicherähnliche Aufgabennotizen und großer extrahierter Text können auch als Workspace/Aktionsreferenzen beibehalten und später durch begrenztes Rücklesen geöffnet werden; diese Referenzen sind Ausführungsbeweise, kein Beweis dafür, dass das endgültige Ergebnis existiert. Ein entdeckter URL-, Pfad-, Download- oder Schnappschussverweis ist auch kein Beweis dafür, dass sein Inhalt gelesen wurde; behandle ihn als ref_only, bis ein begrenztes Rücklesen/Inhaltsvorschau verfügbar ist. Explizite content-, excerpt- oder snippet-Felder sind begrenzte Vorschauen nur für …

Verwandte Skills