Communitygithub.com

agentic-os

Baue persistente Multi-Agenten-Betriebssysteme auf Claude Code. Deckt Kernel-Architektur, Spezialagenten, Slash-Befehle, dateibasiertes Gedächtnis, geplante Automatisierung und Zustandsverwaltung ohne externe Datenbanken ab.

Was ist agentic-os?

Agentic OS ist eine Fähigkeit, die Claude Code in ein persistentes Multi-Agenten-Betriebssystem verwandelt. Es ermöglicht Entwicklern, einen Kernel (`CLAUDE.md`) zu konfigurieren, der Aufgaben an spezialisierte Agenten wie @dev, @writer, @researcher und @ops weiterleitet. Die Architektur basiert auf fünf Schichten: Kernel, Agenten, Slash-Befehle, Skripte und einen dateibasierten Zustandsspeicher (JSON/Markdown), der keine externe Datenbank benötigt. Dieses System eignet sich besonders für langlaufende Projekte, bei denen Kontext über Sitzungen hinweg erhalten bleiben muss, und unterstützt geplante Automatisierung über externe Cron-Dienste (LaunchAgent, systemd, pm2). Agentic OS ist ideal für Entwickler, die mit Claude Code persistente Workflows mit eigenem Gedächtnis, Befehlen und Scheduling aufbauen möchten.

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

In Ihrer bevorzugten KI fragen

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

Dokumentation

Agentic OS

Behandle Claude Code als persistentes Laufzeitsystem / Betriebssystem und nicht als Chatsitzung. Diese Fähigkeit kodifiziert die Architektur, die in produktiven Agentic-Setups verwendet wird: eine Kernel-Konfiguration, die Aufgaben an Spezialagenten weiterleitet, persistentes dateibasiertes Gedächtnis, geplante Automatisierung und eine JSON/Markdown-Datenschicht.

Wann aktivieren

  • Aufbau eines Multi-Agenten-Workflows innerhalb von Claude Code
  • Einrichtung einer persistenten Claude Code-Automatisierung, die Sitzungsneustarts überlebt
  • Erstellung eines "persönlichen OS" oder "Agentic OS" für wiederkehrende Aufgaben
  • Benutzer sagt "Agentic OS", "Personal OS", "Multi-Agent", "Agent Coordinator", "Persistent Agent"
  • Strukturierung langlaufender Projekte, bei denen Kontext über Sitzungen hinweg erhalten bleiben muss

Architekturüberblick

Das Agentic OS hat vier Schichten. Jede Schicht ist ein Verzeichnis im Projektstammverzeichnis.

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

Zuständigkeiten der Schichten

SchichtZweckPersistenz
Kernel (CLAUDE.md)Identität, Routing, Modellrichtlinien, AgentenregisterGit-verfolgt
Agents (agents/)Spezialistenidentitäten mit eingeschränkten Werkzeugen und GedächtnisGit-verfolgt
Commands (.claude/commands/)Benutzerorientierte Slash-Befehle (/daily-sync, /outreach)Git-verfolgt
Scripts (scripts/)Python/JS-Daemons, ausgelöst durch Cron oder WebhooksGit-verfolgt
State (data/)Anfügeprotokolle, 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 Spezialagenten weiter.
Du schreibst niemals direkt Code. Du delegierst an den richtigen Agenten und synthetisierst Ergebnisse.

## Agentenregister

| Agent | Rolle | Auslöser |
|---|---|---|
| @dev | Code, Architektur, Debugging | Benutzer sagt "bauen", "fixen", "refaktorisieren" |
| @writer | Dokumentation, Inhalte, E-Mails | Benutzer sagt "schreiben", "entwurf", "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. Gleiche mit der Spalte "Auslöser" im Agentenregister ab
3. Lade die entsprechende Agentendatei aus `agents/<name>.md`
4. Übergib die Ausführung mit vollständigem Kontext
5. Synthetisiere das Ergebnis und präsentiere es dem Benutzer

## Modellrichtlinien
- Standardmodell: Verwende das Repository oder den Harness-Standard.
- @dev-Aufgaben: Bevorzuge ein Modell mit höherer Argumentationsfähigkeit für komplexe Architektur.
- @researcher-Aufgaben: Verwende das konfigurierte, forschungsfähige Modell und genehmigte Suchwerkzeuge.
- Kostenobergrenze: Warne vor Überschreitung des konfigurierten Ausgabenschwellenwerts des Projekts.

Schlüsselprinzip

Der Kernel sollte klein und deklarativ sein. Die Routing-Logik lebt in einfachen Markdown-Tabellen, nicht in Code. Dies macht das System überprüfbar und editierbar ohne Debugging.

Spezialagenten

Jeder Agent ist eine eigenständige Markdown-Datei in agents/. Claude lädt die relevante Agentendatei beim Weiterleiten einer Aufgabe.

Format der Agentendefinition

# @dev - Softwareentwickler

## Identität
Du bist ein leitender 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 Projektstammverzeichnisses
- Git-Operationen (Status, Diff, Commit, Branch)
- Testläufer-Zugriff
- 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 wenn möglich unter 50 Zeilen

Multi-Agenten-Kollaborationsmuster

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

Benutzer: "Erstelle eine Landing Page und schreibe den Launch-Blogbeitrag"

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

Für parallele Ausführung verwende die Hintergrundaufgabenfunktion von Claude Code oder Shell-Skripte, die Claude Code mit spezifischen Agentenkontexten aufrufen.

Befehle und tägliche Workflows

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

Befehlstruktur

# /daily-sync

Führe die Morgenbesprechung 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 benötigte Entscheidungen
4. Erstelle eine Zusammenfassung von Blockern, Prioritäten und nächsten Aktionen
5. Füge die Besprechung an `data/logs/daily/<datum>.md` an

Standardbefehlsset

BefehlZweck
/daily-syncMorgenbesprechung: Status, Blocker, Prioritäten
/outreachOutreach-Workflow ausführen (E-Mail, LinkedIn, etc.)
/research <thema>Tiefgreifende Recherche mit Quellennachweis
/apply-jobsLebenslauf + Anschreiben für eine Zielrolle anpassen
/analyticsMetriken von Stripe, GitHub oder benutzerdefinierten Quellen abrufen
/interview-prepKarteikarten oder Mock-Interviewfragen generieren
/decision <thema>Eine Entscheidung mit Vor-/Nachteilen und gewähltem Weg protokollieren

Befehle aktivieren

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

Persistenter Speicher

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

Speicherverzeichnisstruktur

data/
├── daily-logs/         # Anfügeprotokolle täglicher Aktivitäten
├── projects/           # Kontextdateien pro Projekt
├── decisions/          # Architektur- und Geschäftsentscheidungen (ADR-Format)
├── inbox/              # Neue Aufgaben oder Ideen, die auf Triage warten
├── contacts/           # Personen, Unternehmen, Beziehungsnotizen
└── templates/          # Wiederverwendbare Prompts und Formate

Tägliches Protokollformat

# 2026-04-22 - Tägliches Protokoll

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

## Entscheidungen
- Wechsel von JWT zu Sitzungscookies (siehe `data/decisions/2026-04-22-auth.md`)

## Blocker
- Warte auf API-Schlüssel vom Anbieter (Nachverfolgung 2026-04-24)

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

Automatisches Reflexionsmuster

Am Ende jeder Sitzung fügt 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 zu ändern ist: Füge `source-tier`-Feld zu Forschungsnotizen hinzu (A/B/C-Glaubwürdigkeit)

Dies erzeugt eine Feedbackschleife, die das System im Laufe der Zeit ohne Codeänderungen verbessert.

Geplante Automatisierung

Agentic OS-Aufgaben werden nach einem Zeitplan mit externem Cron ausgeführt, nicht mit dem integrierten Cron von Claude Code (der endet, wenn die Sitzung endet).

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
  }]
};

Datenschicht

Die Datenschicht ist dein Dateisystem. Verwende JSON für strukturierte Daten und Markdown für narrative 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-spec.md",
    "design": "designs/website-v2.fig"
  },
  "metrics": {
    "commits": 47,
    "last_session": "2026-04-22T11:30:00Z"
  }
}

Markdown für narrative Inhalte

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

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.

Anti-Patterns

Monolithischer Einzelagent

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

Teile in Spezialagenten auf. Der Kernel übernimmt das Routing.

Zustandslose Sitzungen

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

Lese 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 GB an Daten hast.

Übertechnisiertes Routing

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

Halte Routing deklarativ in CLAUDE.md-Markdown-Tabellen. 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 eine Domäne 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 anfügeorientiert; 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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Verwandte Skills