Communitygithub.com

Autonome Agent-Harness

Verwandeln Sie Claude Code in ein vollständig autonomes Agentensystem mit persistentem Speicher, geplanten Operationen, Computer-Nutzung und Aufgabenwarteschlangen. Ersetzt eigenständige Agenten-Frameworks (Hermes, AutoGPT) durch die Nutzung von Claude Code.

Was ist Autonome Agent-Harness?

Diese Skill-Konfiguration verwandelt Claude Code in ein vollständig autonomes Agentensystem, das persistente Erinnerung, geplante Aufgaben, Computersteuerung und Aufgabenwarteschlangen vereint. Sie ist als flexibles Setup-Muster und nicht als monolithische Laufzeitumgebung konzipiert. Entwickler können damit kontinuierlich laufende Workflows erstellen, wie z. B. automatische PR-Überprüfungen alle 30 Minuten oder tägliche Recherche-Agenten, ohne auf externe Agenten-Frameworks wie Hermes oder AutoGPT angewiesen zu sein. Die Architektur basiert auf Claude Codes integrierter Speicher- und Planungsfunktion, ergänzt durch MCP-Server für strukturierte Wissensgraphen und optionale MCP-Integrationen für die Computer-Nutzung. Wichtig: Der Skill setzt ausdrückliche Benutzereinwilligung für jede autonome Aktion voraus – geplante Aufgaben, entfernte Agenten oder Computersteuerung erfordern eine explizite Freigabe. Entwickler sollten Trockenläufe und lokale Warteschlangendateien bevorzugen, bevor sie wiederkehrende oder ereignisgesteuerte Aktionen aktivieren. Das System unterstützt Claude Code auf allen Plattformen (CLI, Desktop) und nutzt dessen native Sitzungslebenszyklus- und MCP-Fähigkeiten.

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Autonome Agent-Harness?

Kombinieren Sie Claude Codes Sitzungswerkzeuge mit separat konfigurierten Planungs-, Speicher- und Computer-Use-Integrationen. Dies ist ein Setup-Muster, keine gebündelte Dauerlaufzeitumgebung.

Einwilligung und Sicherheitsgrenzen

Autonomer Betrieb muss explizit vom Benutzer angefordert und abgegrenzt werden. Erstellen Sie keine Zeitpläne, versenden Sie keine entfernten Agenten, schreiben Sie keinen persistenten Speicher, verwenden Sie keine Computersteuerung, veröffentlichen Sie nichts extern, ändern Sie keine Ressourcen Dritter oder handeln Sie auf private Kommunikation, es sei denn, der Benutzer hat diese Fähigkeit und den Zielarbeitsbereich für das aktuelle Setup genehmigt.

Bevorzugen Sie Trockenläufe und lokale Warteschlangendateien, bevor Sie wiederkehrende oder ereignisgesteuerte Aktionen aktivieren. Halten Sie Anmeldeinformationen, private Arbeitsbereichsexporte, persönliche Datensätze und kontospezifische Automatisierungen aus wiederverwendbaren ECC-Artefakten heraus.

Wann zu aktivieren

  • Benutzer möchte einen Agenten, der kontinuierlich oder nach einem Zeitplan läuft
  • Einrichten automatisierter Arbeitsabläufe, die regelmäßig ausgelöst werden
  • Erstellen eines persönlichen KI-Assistenten, der sich kontextübergreifend erinnert
  • Benutzer sagt "führe das jeden Tag aus", "überprüfe das regelmäßig", "beobachte weiterhin"
  • Möchte Funktionalität von Hermes, AutoGPT oder ähnlichen autonomen Agenten-Frameworks replizieren
  • Benötigt Computer-Nutzung in Kombination mit geplanter Ausführung

Architektur

┌──────────────────────────────────────────────────────────────┐
│                    Claude Code Runtime                       │
│                                                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌─────────────┐ │
│  │  Cron    │  │ Dispatch │  │ Speicher │  │ Computer     │ │
│  │  Zeitplan│  │ Remote   │  │ Store    │  │ Nutzung     │ │
│  │  Aufgaben │  │ Agenten │  │          │  │             │ │
│  └────┬─────┘  └────┬─────┘  └────┬─────┘  └──────┬──────┘ │
│       │              │             │                │        │
│       ▼              ▼             ▼                ▼        │
│  ┌──────────────────────────────────────────────────────┐    │
│  │              ECC Skill + Agent-Layer                 │    │
│  │                                                      │    │
│  │  skills/     agents/     commands/     hooks/        │    │
│  └──────────────────────────────────────────────────────┘    │
│       │              │             │                │        │
│       ▼              ▼             ▼                ▼        │
│  ┌──────────────────────────────────────────────────────┐    │
│  │              MCP Server Layer                        │    │
│  │                                                      │    │
│  │  memory    github    exa    supabase    browser-use  │    │
│  └──────────────────────────────────────────────────────┘    │
└──────────────────────────────────────────────────────────────┘

Kernkomponenten

1. Persistenter Speicher

Nutzen Sie Claude Codes integriertes Speichersystem, erweitert um den MCP-Speicherserver für strukturierte Daten.

Integrierter Speicher (~/.claude/projects/*/memory/):

  • Benutzereinstellungen, Feedback, Projektkontext
  • Gespeichert als Markdown-Dateien mit Frontmatter
  • Wird automatisch beim Sitzungsstart geladen

MCP-Speicherserver (strukturierter Wissensgraph):

  • Entitäten, Beziehungen, Beobachtungen
  • Abfragbare Graphstruktur
  • Sitzungsübergreifende Persistenz

Speichermuster:

# Kurzzeit: aktueller Sitzungskontext
Verwenden Sie TodoWrite für die Aufgabenverfolgung innerhalb der Sitzung

# Mittelfristig: Projektspeicherdateien
Schreiben Sie in ~/.claude/projects/*/memory/ für sitzungsübergreifenden Abruf

# Langfristig: MCP-Wissensgraph
Verwenden Sie mcp__memory__create_entities für dauerhafte strukturierte Daten
Verwenden Sie mcp__memory__create_relations für Beziehungszuordnung
Verwenden Sie mcp__memory__add_observations für neue Fakten über bekannte Entitäten

2. Geplante Operationen (Crons)

Verwenden Sie Claude Codes native geplante Aufgaben für wiederkehrende Eingabeaufforderungen innerhalb einer interaktiven Sitzung. Diese Aufgaben sind sitzungsbezogen; für Arbeiten, die unabhängig von einer offenen Sitzung ausgeführt werden müssen, ist ein externer Planer erforderlich. Für /loop ist kein Planungs-MCP-Server erforderlich.

Einrichten eines Cron:

# In einer interaktiven Claude Code Sitzung
/loop 30m Überprüfen Sie offene PRs in diesem Repository und fassen Sie CI-Fehler zusammen.

Für einen einmaligen Durchlauf aus einer Shell heraus setzen Sie das Arbeitsverzeichnis vor dem Aufruf der CLI:

cd "/path/to/repo" && claude -p "Überprüfen Sie offene PRs und fassen Sie zusammen"

Verwenden Sie einen OS-Planer oder CI-Zeitplan, um diesen Befehl wiederholt aufzurufen, wenn keine interaktive Sitzung läuft. Konfigurieren Sie die Authentifizierung und Tool-Berechtigungen des Ausführenden separat.

Nützliche Cron-Muster:

MusterZeitplanAnwendungsfall
Tägliches Standup0 9 * * 1-5PRs, Issues, Bereitstellungsstatus überprüfen
Wöchentliche Überprüfung0 10 * * 1Codequalitätsmetriken, Testabdeckung
Stündliche Überwachung0 * * * *Produktionszustand, Fehlerratenprüfungen
Nächtlicher Build0 2 * * *Vollständige Testsuite ausführen, Sicherheitsscan
Vor Besprechung*/30 * * * *Kontext für anstehende Besprechungen vorbereiten

3. Dispatch / Entfernte Agenten

Lassen Sie einen authentifizierten CI-Job oder Webhook-Empfänger Claude Code in einem Arbeitsbereich aufrufen, den er besitzt. Der unterstützte Einstiegspunkt ist der programmatische CLI-Modus, kein öffentlicher Anthropic-Dispatch-Endpunkt.

Dispatch-Muster:

# Innerhalb des CI-Arbeitsbereichs ausführen
cd "/path/to/repo" && claude -p "Build auf main fehlgeschlagen. Diagnostizieren Sie den Fehler."

# Von Webhook aus auslösen
# GitHub-Webhook -> authentifizierter CI-Ausführer -> claude -p -> überprüfbares Ergebnis

# Von einem anderen Agenten aus auslösen
claude -p "Analysieren Sie die Ausgabe des Sicherheitsscans und erstellen Sie Issues für die Ergebnisse"

4. Computer-Nutzung

Die Computersteuerung benötigt eine separat konfigurierte Integration. Das Computer-Use-Tool und die Referenzumgebung von Anthropic erfordern eine Anwendung, um Tool-Aufrufe in einer isolierten Desktop-Umgebung auszuführen. Das Hinzufügen eines MCP-Paketnamens stellt diese Umgebung nicht bereit.

Fähigkeiten:

  • Browser-Automatisierung (navigieren, klicken, Formulare ausfüllen, Screenshots)
  • Desktop-Steuerung (Apps öffnen, tippen, Maussteuerung)
  • Dateisystemoperationen über CLI hinaus

Anwendungsfälle innerhalb der Harness:

  • Automatisiertes Testen von Web-Oberflächen
  • Formularausfüllen und Dateneingabe
  • Screenshot-basierte Überwachung
  • Multi-App-Workflows

5. Aufgabenwarteschlange

Verwalten Sie eine persistente Warteschlange von Aufgaben, die Sitzungsgrenzen überdauern.

Implementierung:

# Aufgabenpersistenz über Speicher
Schreiben Sie die Aufgabenwarteschlange in ~/.claude/projects/*/memory/task-queue.md

# Aufgabenformat
---
name: task-queue
type: project
description: Persistente Aufgabenwarteschlange für autonomen Betrieb
---

## Aktive Aufgaben
- [ ] PR #123: Überprüfen und genehmigen, wenn CI grün
- [ ] Bereitstellung überwachen: /health alle 30 Min. für 2 Stunden prüfen
- [ ] Recherche: 5 Leads im KI-Tooling-Bereich finden

## Abgeschlossen
- [x] Tägliches Standup: 3 PRs, 2 Issues überprüft

Hermes ersetzen

Hermes-KomponenteECC-ÄquivalentWie
Gateway/RouterCLI + externer PlanerEin authentifizierter Ausführer startet Agentensitzungen
SpeichersystemClaude-Speicher + MCP-SpeicherserverIntegrierte Persistenz + Wissensgraph
Tool-RegistryMCP-ServerDynamisch geladene Tool-Anbieter
OrchestrierungECC-Skills + AgentenSkill-Definitionen steuern Agentenverhalten
Computer-NutzungSeparat konfigurierte IntegrationBrowser- oder Desktop-Steuerung in isolierter Umgebung
KontextmanagerSitzungsverwaltung + SpeicherECC 2.0 Sitzungslebenszyklus
AufgabenwarteschlangeSpeicher-persistierte AufgabenlisteTodoWrite + Speicherdateien

Setup-Anleitung

Schritt 1: MCP-Server konfigurieren

Speicher-MCP ist optional. Der MCP-Referenz-Speicherserver wird als @modelcontextprotocol/server-memory veröffentlicht; Version 2026.8.31 wurde am 2026-09-07 im öffentlichen npm-Registry verifiziert. Es handelt sich um eine Referenzimplementierung, nicht um einen ECC-gebündelten Dienst.

Nach Überprüfung dieses Pakets und Genehmigung seiner Verwendung fügen Sie diesen Eintrag in die benutzerspezifische MCP-Konfiguration in ~/.claude.json ein, wobei Sie vorhandene Einstellungen beibehalten. Ersetzen Sie MEMORY_FILE_PATH durch einen absoluten Pfad in einem privaten Verzeichnis, das Ihnen gehört. Siehe Claude Code MCP-Konfiguration für die CLI-Registrierung und Windows cmd /c npx-Konfiguration.

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/[email protected]"],
      "env": {
        "MEMORY_FILE_PATH": "/absoluter/pfad/zu/privaten/memory.jsonl"
      }
    }
  }
}

Registrieren Sie keine erratenen oder unveröffentlichten npm-Pakete: npx -y würde alles ausführen, was später unter diesem Namen veröffentlicht wird. Überprüfen Sie das genaue Paket, den Herausgeber und die Version, bevor Sie einen weiteren Server hinzufügen. Planung und Computer-Nutzung erfordern nicht die drei zuvor hier aufgeführten unveröffentlichten Paketnamen.

Schritt 2: Basis-Crons erstellen

Für das Abfragen während einer interaktiven Sitzung geben Sie ein:

/loop 30m Überprüfen Sie offene PRs in diesem Repository und fassen Sie CI-Fehler zusammen.

Für tägliche oder wöchentliche Arbeiten, die eine geschlossene Sitzung überdauern müssen, konfigurieren Sie einen externen Planer, z. B. einen OS-Cron-Job oder GitHub Actions, um den einmaligen Befehl aus Schritt 2 der Kernkomponenten auszuführen. Der Aufruf von claude -p, um einen Zeitplan anzufordern, stellt keinen dauerhaften Planer bereit. Wählen Sie den Zeitplan, den Arbeitsbereich und die zulässigen Aktionen explizit aus, bevor Sie ihn aktivieren.

Schritt 3: Speichergraphen initialisieren

# Bootstrap Sie Ihre Identität und Ihren Kontext
claude -p "Erstellen Sie Speicherentitäten für: mich (Benutzerprofil), meine Projekte, meine wichtigsten Kontakte. Fügen Sie Beobachtungen zu aktuellen Prioritäten hinzu."

Schritt 4: Computer-Nutzung aktivieren (optional)

Folgen Sie der oben verlinkten Computer-Use-Referenzumgebung oder der Dokumentation für eine bestimmte von Ihnen geprüfte Browser-Integration. Gewähren Sie nur die erforderlichen Berechtigungen und überprüfen Sie eine harmlose Aktion in der isolierten Umgebung, bevor Sie sie zu geplanten Arbeitsabläufen hinzufügen.

Beispiel-Workflows

Autonomer PR-Reviewer

Cron: alle 30 Min. während der Arbeitszeit
1. Neue PRs in beobachteten Repos prüfen
2. Für jeden neuen PR:
   - Branch lokal pullen
   - Tests ausführen
   - Änderungen mit Code-Reviewer-Agent überprüfen
   - Review-Kommentare über GitHub MCP posten
3. Speicher mit Überprüfungsstatus aktualisieren

Persönlicher Recherche-Agent

Cron: täglich um 6 Uhr morgens
1. Gespeicherte Suchanfragen im Speicher prüfen
2. Exa-Suchen für jede Anfrage ausführen
3. Neue Ergebnisse zusammenfassen
4. Mit den Ergebnissen von gestern vergleichen
5. Zusammenfassung in den Speicher schreiben
6. Hochprioritäts-Items für die morgendliche Überprüfung markieren

Besprechungsvorbereitungs-Agent

Auslöser: 30 Min. vor jedem Kalenderereignis
1. Details des Kalenderereignisses lesen
2. Speicher nach Kontext zu Teilnehmern durchsuchen
3. Neueste E-Mail-/Slack-Threads mit Teilnehmern abrufen
4. Gesprächsthemen und Agendavorschläge vorbereiten
5. Vorbereitungsdokument in den Speicher schreiben

Einschränkungen

  • Native geplante Eingabeaufforderungen teilen sich ihre interaktive Sitzung. Externe Planeraufrufe starten separate Sitzungen, sofern nicht explizit fortgesetzt.
  • Computer-Nutzung erfordert explizite Berechtigungsgewährung. Gehen Sie nicht von Zugriff aus.
  • CLI-Automatisierung verbraucht weiterhin Modellnutzung und unterliegt den Limits des konfigurierten Anbieters. Wählen Sie geeignete Planungsintervalle.
  • Speicherdateien sollten kurz gehalten werden. Archivieren Sie alte Daten, anstatt Dateien unbegrenzt wachsen zu lassen.
  • Überprüfen Sie immer, ob geplante Aufgaben erfolgreich abgeschlossen wurden. Fügen Sie Fehlerbehandlung zu Cron-Eingabeaufforderungen hinzu.

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.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

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.

Verwandte Skills