Communitygithub.com

Agentic OS

Baue persistente Multi-Agenten-Betriebssysteme auf Claude Code. Deckt Kernel-Architektur, Spezialisten-Agenten, Slash-Befehle, dateibasiertes Gedächtnis, geplante Automatisierung und Zustandsverwaltung ohne externe Datenbanken ab. Verwende dies, wenn du ein persistentes Multi-Agenten-System auf Claude Code mit eigenem Gedächtnis, Befehlen und Planung erstellst.

Was ist Agentic OS?

Agentic OS ist eine Fähigkeit (Skill) für Claude Code, die den Terminal-basierten KI-Assistenten in ein persistentes Multi-Agenten-Betriebssystem verwandelt. Anstatt jede Sitzung als leeres Blatt zu beginnen, definiert es eine Kernel-Konfiguration (CLAUDE.md), die Aufgaben an spezialisierte Agenten (z. B. @dev, @writer, @researcher) weiterleitet, ein dateibasiertes Gedächtnis (JSON/Markdown) für den Zustand über Sitzungen hinweg verwendet und Slash-Befehle sowie geplante Automatisierung (über externen Cron) unterstützt. Die Architektur besteht aus vier Schichten: dem Kernel (Routing-Regeln), Agenten-Definitionen, Befehlen und Skripten sowie einer Datenebene. Es benötigt keine externen Datenbanken und priorisiert Übersichtlichkeit, Wartbarkeit und Sitzungsunabhängigkeit. Entwickler profitieren von sofort einsetzbaren Workflows (wie /daily-sync oder /outreach), einem klaren Anti-Pattern-Guide und einer skalierbaren Struktur, die Projekte ohne Aufblähung organisiert.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agentic-os

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Agentic OS?

Behandle Claude Code als eine persistente Laufzeitumgebung / ein Betriebssystem, nicht als Chat-Sitzung. Dieser Skill kodifiziert die Architektur, die in produktiven agentischen Setups verwendet wird: eine Kernel-Konfiguration, die Aufgaben an Spezialisten-Agenten weiterleitet, persistentes dateibasiertes Gedächtnis, geplante Automatisierung und eine JSON/Markdown-Datenschicht.

Wann aktivieren

  • Aufbau eines Multi-Agenten-Workflows in Claude Code
  • Einrichtung einer persistenten Claude-Code-Automatisierung, die Sitzungsneustarts überlebt
  • Erstellung eines „persönlichen Betriebssystems" oder „Agentic OS" für wiederkehrende Aufgaben
  • Benutzer sagt „Agentic OS", „Personal OS", „Multi-Agent", „Agent Coordinator", „persistenter Agent"
  • Strukturierung langlaufender Projekte, bei denen Kontext sitzungsübergreifend erhalten bleiben muss

Architekturüberblick

Das Agentic OS besteht aus vier Schichten. Jede Schicht ist ein Verzeichnis in deinem Projektstamm.

project-root/
├── CLAUDE.md          # Kernel: Identität, Routing-Regeln, Agenten-Registry
├── agents/            # Spezialisten-Agenten-Definitionen (Markdown-Prompts)
├── .claude/commands/  # Slash-Befehle: benutzerseitige CLI
├── scripts/           # Daemon-Skripte: geplante oder ereignisgesteuerte Aufgaben
└── data/              # Zustand: JSON/Markdown-Dateisystem, keine externe DB

Verantwortlichkeiten der Schichten

SchichtZweckPersistenz
Kernel (CLAUDE.md)Identität, Routing, Modellrichtlinien, Agenten-RegistryGit-verfolgt
Agenten (agents/)Spezialisten-Identitäten mit eingeschränkten Werkzeugen und GedächtnisGit-verfolgt
Befehle (.claude/commands/)Benutzerseitige Slash-Befehle (/daily-sync, /outreach)Git-verfolgt
Skripte (scripts/)Python/JS-Daemons, ausgelöst durch Cron oder WebhooksGit-verfolgt
Zustand (data/)Nur-Anhängen-Protokolle, Projektzustand, EntscheidungsaufzeichnungenGit-ignoriert oder -verfolgt

Der Kernel

CLAUDE.md ist der Kernel. Er fungiert als COO / Orchestrator. Claude liest ihn zu Sitzungsbeginn und verwendet ihn, um Arbeit weiterzuleiten.

Kernel-Struktur

# CLAUDE.md - Agentic OS Kernel

## Identität
Du bist der COO von [Projektname]. Du leitest Aufgaben an Spezialisten-Agenten weiter.
Du schreibst niemals direkt Code. Du delegierst an den richtigen Agenten und synthetisierst Ergebnisse.

## Agenten-Registry

| Agent | Rolle | Auslöser |
|---|---|---|
| @dev | Code, Architektur, Debugging | Benutzer sagt „bauen", „reparieren", „refaktorisieren" |
| @writer | Dokumentation, Inhalt, E-Mails | Benutzer sagt „schreiben", „entwerfen", „Blog" |
| @researcher | Recherche, Analyse, Faktenprüfung | Benutzer sagt „recherchieren", „analysieren", „vergleichen" |
| @ops | DevOps, Bereitstellung, Infrastruktur | Benutzer sagt „bereitstellen", „CI", „Server" |

## Routing-Regeln
1. Analysiere die Benutzeranfrage auf Absichtsschlüsselwörter
2. Ordne sie der Spalte „Auslöser" der Agenten-Registry zu
3. Lade die entsprechende Agentendatei aus `agents/<name>.md`
4. Übergib die Ausführung mit vollständigem Kontext
5. Synthetisiere und präsentiere das Ergebnis dem Benutzer

## Modellrichtlinien
- Standardmodell: Verwende den Repository- oder Framework-Standard.
- @dev-Aufgaben: Bevorzuge ein Modell mit höherer Argumentationsfähigkeit für komplexe Architektur.
- @researcher-Aufgaben: Verwende das konfigurierte recherschfähige Modell und die genehmigten Suchwerkzeuge.
- Kostenobergrenze: Warne, bevor das konfigurierte Ausgabelimit des Projekts überschritten wird.

Schlüsselprinzip

Der Kernel sollte klein und deklarativ sein. Die Routinglogik lebt in einfachen Markdown-Tabellen, nicht in Code. Dies macht das System überprüfbar und editierbar, ohne debuggen zu müssen.

Spezialisten-Agenten

Jeder Agent ist eine eigenständige Markdown-Datei in agents/. Claude lädt die relevante Agentendatei, wenn eine Aufgabe weitergeleitet wird.

Format der Agentendefinition

# @dev - Softwareentwickler

## Identität
Du bist ein Senior-Softwareentwickler. Du schreibst sauberen, getesteten, produktionsreifen Code.
Du bevorzugst einfache Lösungen. Du stellst klärende Fragen, wenn Anforderungen mehrdeutig sind.

## Gedächtnisumfang
- Lese `data/projects/<aktuelles-projekt>.md` für Kontext
- Lese `data/decisions/` für Architekturentscheidungen
- Füge Ausführungsprotokolle an `data/logs/<datum>[email protected]` an

## Werkzeugzugriff
- Vollständiger Dateisystemzugriff innerhalb des Projektstamms
- Git-Operationen (Status, Diff, Commit, Branch)
- Zugriff auf Test-Runner
- MCP-Server wie in `.claude/mcp.json` konfiguriert

## Einschränkungen
- Schreibe immer Tests für neue Funktionen
- Committe niemals direkt auf `main`; verwende Feature-Branches
- Bevorzuge das Bearbeiten vorhandener Dateien gegenüber dem Erstellen neuer
- Halte Funktionen nach Möglichkeit unter 50 Zeilen

Multi-Agenten-Kooperationsmuster

Wenn eine Aufgabe mehrere Agenten umfasst, führt der Kernel sie nacheinander oder parallel aus:

Benutzer: „Baue eine Landingpage und schreibe den Launch-Blogbeitrag"

Kernel-Routing:
1. @dev - „Baue eine Landingpage mit [Anforderungen]"
2. @writer - „Schreibe einen Launch-Blogbeitrag für [Produkt] unter Verwendung des Landingpage-Texts"
3. Kernel synthetisiert beide Ausgaben zu einer einheitlichen Antwort

Für die parallele Ausführung verwende die Hintergrundaufgaben-Funktion von Claude Code oder Shell-Skripte, die Claude Code mit bestimmten Agentenkontexten aufrufen.

Befehle und tägliche Arbeitsabläufe

Slash-Befehle sind Markdown-Dateien in .claude/commands/. Sie definieren wiederverwendbare Arbeitsabläufe.

Befehlsstruktur

# /daily-sync

Führe das Morgenbriefing durch:

1. Lese `data/logs/last-sync.md` für Kontext
2. Überprüfe den Projektstatus: `git status`, ausstehende PRs, CI-Gesundheit
3. Überprüfe `data/inbox/` auf neue Aufgaben oder erforderliche Entscheidungen
4. Erstelle eine Zusammenfassung von Blockerern, Prioritäten und nächsten Aktionen
5. Füge das Briefing an `data/logs/daily/<datum>.md` an

Standard-Befehlsset

BefehlZweck
/daily-syncMorgenbriefing: Status, Blocker, Prioritäten
/outreachFühre Outreach-Workflow aus (E-Mail, LinkedIn, etc.)
/research <thema>Tiefgehende Recherche mit Quellenverfolgung
/apply-jobsPasse Lebenslauf + Anschreiben für eine Zielrolle an
/analyticsZiehe Metriken von Stripe, GitHub oder benutzerdefinierten Quellen
/interview-prepGeneriere Karteikarten oder Mock-Interview-Fragen
/decision <thema>Protokolliere eine Entscheidung mit Pro/Contra und gewähltem Weg

Befehle aktivieren

Lege Befehlsdateien in .claude/commands/<befehlsname>.md ab. Claude Code erkennt sie automatisch. Benutzer rufen sie mit /<befehlsname> auf.

Persistentes Gedächtnis

Das Gedächtnis ist dateibasiert. Keine Vektor-DB, kein Redis, kein PostgreSQL. JSON- und Markdown-Dateien in data/ sind die Datenbank.

Verzeichnisstruktur des Gedächtnisses

data/
├── daily-logs/         # Nur-Anhängen tägliche Aktivitätsprotokolle
├── projects/           # Projektbezogene Kontextdateien
├── decisions/          # Architektur- und Geschäftsentscheidungen (ADR-Format)
├── inbox/              # Neue Aufgaben oder Ideen, die auf die Zuteilung warten
├── contacts/           # Personen, Unternehmen, Beziehungsnotizen
└── templates/          # Wiederverwendbare Prompts und Formate

Format des täglichen Protokolls

# 2026-04-22 - Tägliches Protokoll

## Sitzungen
- 09:00 - Sitzung 1: Auth-Modul refaktorisiert (@dev)
- 11:30 - Sitzung 2: Investoren-Update entworfen (@writer)

## Entscheidungen
- Von JWT zu Session-Cookies gewechselt (siehe `data/decisions/2026-04-22-auth.md`)

## Blocker
- Warte auf API-Key vom Anbieter (Folge am 2026-04-24)

## Nächste Aktionen
- [ ] Auth-Refactor-PR zusammenführen
- [ ] Investoren-Update zur Überprüfung senden

Automatisches Reflexionsmuster

Am Ende jeder Sitzung hängt der Kernel eine Reflexion an:

## Reflexion - Sitzung 3
- Was funktioniert hat: Parallele Agentenausführung sparte 20 Minuten
- Was nicht funktioniert hat: @researcher traf auf eine paywall-geschützte Quelle, bessere Quellenbewertung nötig
- Was geändert werden sollte: Füge Feld `source-tier` zu Forschungsnotizen hinzu (A/B/C-Glaubwürdigkeit)

Dies erzeugt eine Feedback-Schleife, die das System im Laufe der Zeit ohne Code-Änderungen verbessert.

Geplante Automatisierung

Agentic-OS-Aufgaben laufen nach Zeitplan mit externem Cron, nicht mit dem integrierten Cron von Claude Code (das endet, wenn die Sitzung beendet wird).

macOS: LaunchAgent

<!-- ~/Library/LaunchAgents/com.agentic.daily-sync.plist -->
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" ...>
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.agentic.daily-sync</string>
    <key>ProgramArguments</key>
    <array>
        <string>/claude</string>
        <string>--cwd</string>
        <string>/pfad/zum/projekt</string>
        <string>--command</string>
        <string>/daily-sync</string>
    </array>
    <key>StartCalendarInterval</key>
    <dict>
        <key>Hour</key>
        <integer>8</integer>
        <key>Minute</key>
        <integer>0</integer>
    </dict>
    <key>StandardOutPath</key>
    <string>/tmp/agentic-daily-sync.log</string>
</dict>
</plist>

Linux: systemd-Timer

# ~/.config/systemd/user/agentic-daily-sync.service
[Unit]
Description=Agentic OS Tägliche Synchronisation

[Service]
Type=oneshot
ExecStart=/usr/local/bin/claude --cwd /pfad/zum/projekt --command /daily-sync
# ~/.config/systemd/user/agentic-daily-sync.timer
[Unit]
Description=Tägliche Synchronisation jeden Morgen ausführen

[Timer]
OnCalendar=*-*-* 8:00:00
Persistent=true

[Install]
WantedBy=timers.target

Plattformübergreifend: pm2

# ecosystem.config.js
module.exports = {
  apps: [{
    name: 'agentic-daily-sync',
    script: 'claude',
    args: '--cwd /pfad/zum/projekt --command /daily-sync',
    cron_restart: '0 8 * * *',
    autorestart: false
  }]
};

Datenebene

Die Datenebene ist dein Dateisystem. Verwende JSON für strukturierte Daten und Markdown für erzählende Inhalte.

JSON für strukturierten Zustand

// data/projects/website-v2.json
{
  "name": "Website v2",
  "status": "in-arbeit",
  "milestone": "beta-launch",
  "agents_involved": ["@dev", "@writer"],
  "files": {
    "spec": "docs/website-v2-spezifikation.md",
    "design": "designs/website-v2.fig"
  },
  "metrics": {
    "commits": 47,
    "last_session": "2026-04-22T11:30:00Z"
  }
}

Markdown für Erzählungen

Verwende Markdown für alles, was ein Mensch liest: Entscheidungen, Protokolle, Forschungsnotizen, Kontaktaufzeichnungen.

Schemaentwicklung

Benenne vorhandene Felder niemals um. Füge neue Felder hinzu und markiere alte als veraltet:

{
  "name": "Website v2",
  "status": "in-arbeit",
  "milestone": "beta-launch",
  "_deprecated_priority": "hoch",
  "priority_v2": { "level": "hoch", "rationale": "Blockiert Investoren-Demo" }
}

Dies hält historische Daten lesbar, ohne Migrationsskripte zu benötigen.

Anti-Patterns

Monolithischer Einzelagent

# SCHLECHT - Ein Agent macht alles
Du bist ein Full-Stack-Entwickler, Autor, Forscher und DevOps-Ingenieur.

Teile in Spezialisten-Agenten auf. Der Kernel übernimmt das Routing.

Zustandslose Sitzungen

# SCHLECHT - Kein Gedächtnis zwischen Sitzungen
Jedes Mal frisch starten, wenn Claude Code geöffnet wird.

Lies immer data/ zu Sitzungsbeginn und schreibe am Sitzungsende zurück.

Hartcodierte Anmeldeinformationen

# SCHLECHT - API-Schlüssel in Agentendateien oder CLAUDE.md
Dein OpenAI-API-Schlüssel ist sk-xxxxxxxx

Verwende Umgebungsvariablen oder eine .env-Datei, die von Skripten geladen wird. Agenten referenzieren process.env.API_KEY.

Externe Datenbank für einfachen Zustand

# SCHLECHT - PostgreSQL für das Agentic OS eines Einzelbenutzers

Verwende JSON/Markdown-Dateien, bis du mehrere gleichzeitige Benutzer oder GBs an Daten hast.

Übertechnisiertes Routing

# SCHLECHT - Routinglogik in Code statt in Markdown-Tabellen
if (intent.includes('deploy')) { agent = opsAgent; }

Halte das Routing deklarativ in Markdown-Tabellen in CLAUDE.md. Es ist überprüfbar, editierbar und debugbar.

Best Practices

  • CLAUDE.md ist unter 200 Zeilen und passt in das Kontextfenster
  • Jede Agentendatei ist unter 100 Zeilen und auf einen Bereich fokussiert
  • data/ ist für sensible Protokolle git-ignoriert, für Entscheidungen und Spezifikationen git-verfolgt
  • Befehle verwenden imperative Namen: /daily-sync, nicht /run-daily-sync
  • Protokolle sind Nur-Anhängen; bearbeite niemals vergangene tägliche Protokolle
  • Jeder Agent hat einen Abschnitt Memory Scope, der definiert, welche Dateien er liest
  • Reflexionen werden am Ende jeder Sitzung geschrieben
  • Geplante Aufgaben verwenden externen Cron (LaunchAgent, systemd, pm2), nicht den Sitzungs-Cron von Claude Code
  • Kostenverfolgung: Protokolliere API-Ausgaben pro Sitzung in data/logs/<datum>-costs.json
  • Ein Projekt = ein Agentic OS. Teile kein einzelnes CLAUDE.md über nicht zusammenhängende Projekte hinweg.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

api-connector-builder

Build a new API connector or provider by matching the target repo

Verwandte Skills