Communitygithub.com

Kevin-Liu-01/cotcodec

Repositoryweite Prozedur für CoTCodec-Forschung, Experimente, Belege, Dokumentation und Release-Hygiene.

Was ist cotcodec?

CoTCodec ist ein Forschungsprogramm und eine ausführbare Evaluierungsplattform, die darauf abzielt, Agenten-Orchestrierungsentscheidungen explizit, messbar und optimierbar zu machen. Die Plattform unterstützt die Arbeit an mehreren Forschungspapieren, wobei Papier 1 sich auf Sprache konzentriert, während die gemeinsame Plattform und das Evidenzregister das breitere Programm zur Orchestrierungsvariablen abdecken. Der Skill definiert eine klare mentale Modellstruktur mit Schlüsseldateien wie `memory.json` für den kompilierten Projektzustand und `wiki/log.md` für die Betriebszeitleiste. Forschungsarbeiten werden in `directions/` verwaltet, während Experimente in `experiments/` vorregistriert werden. Die Ausführung erfolgt über `harness/` und die Validierung über `scripts/`. Wichtige Invarianten umfassen das Lesen der grundlegenden Wiki-Dokumentation vor der Arbeit, die Vorregistrierung von Falsifikatoren und Abbruchbedingungen vor der Beobachtung von Behandlungsergebnissen, die Aufbewahrung negativer Ergebnisse und die klare Trennung von deterministischer Infrastruktur von wissenschaftlichen Behauptungen. Der Skill bietet eine praktische Tabelle für häufige Aufgaben, die Agenten den ersten Schritt für gängige Szenarien wie die Fortsetzung der Forschung, das Ausführen von Experimenten oder das Hinzufügen von Benchmarks vorgibt.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add Kevin-Liu-01/cotcodec

In Ihrer bevorzugten KI fragen

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

Dokumentation

cotcodec — hier arbeiten

Zweck

CoTCodec ist ein Forschungsprogramm und eine ausführbare Evaluierungsplattform, die Entscheidungen zur Agenten-Orchestrierung explizit, messbar und optimierbar macht. Papier 1 untersucht Sprache; die gemeinsame Plattform und das Evidenzregister decken das breitere Programm zur Orchestrierungsvariablen ab.

Mentales Modell & Schlüsseldateien

  • memory.json ist der kompilierte Projektzustand und das aktive Prioritätenregister.
  • wiki/log.md ist die anfügbare operative Zeitleiste.
  • directions/ verwaltet Forschungshypothesen; experiments/ verwaltet vorregistrierte Durchläufe.
  • harness/ führt Bedingungen aus und benchmarkt; scripts/ validiert und versiegelt.
  • research/evidence/ enthält tragbare Entscheidungsbündel. Rohdaten/lokale Ausgabe gehört unter das ignorierte data/, niemals versehentlich in Git.
  • README.md ist der menschliche Einstiegspunkt; AGENTS.md ist das vollständige Betriebsreferenzhandbuch; SKILL.md-Dateien in Verzeichnissen enthalten lokale Verfahren.

Zu befolgende Muster / Invarianten

  • Lies wiki/SOUL.md, wiki/USER.md, wiki/HEARTBEAT.md und memory.json vor substanzieller Arbeit.
  • Registriere vor der Beobachtung von Behandlungsergebnissen Falsifikatoren, Budgets, Anspruchsgrenzen und Abbruchbedingungen vor. Überschreibe niemals einen abgeschlossenen Experimentvertrag.
  • Bewahre negative Ergebnisse und Ergebnisse vor dem Nachweis auf. Erstelle versionierte Wiederholungen anstatt fehlgeschlagene Ausgabeverzeichnisse zu überschreiben.
  • Trenne deterministische Infrastrukturzulassung von Live-Modell- oder wissenschaftlichen Behauptungen. CPU-Konformität impliziert niemals H100-Zulassung oder Gedächtnisqualität.
  • Binde Quellrevision, Baum, Lizenz, Abhängigkeiten, Bild-/Modellidentität und Ausführungs-Hashes für jedes Ergebnis, das in einer Forschungsentscheidung verwendet wird.
  • Halte memory.json (kompilierte Wahrheit) und wiki/log.md (Zeitleiste) synchron.

Häufige Aufgaben → Erste Aktion

AufgabeErste Aktion
Forschung fortsetzenLese memory.json-Prioritäten und den neuesten wiki/log.md-Eintrag.
Ein Experiment ausführenLese skills/run-experiment.md, dann seinen YAML-Vertrag.
Einen Benchmark hinzufügenLese harness/benchmarks/SKILL.md und den Basisadapter.
Orchestrierungslogik ändernLese das nächste harness/**/SKILL.md und die zugehörigen Tests.
Ein Speichersystem hinzufügenLese infra/memory-baselines/SKILL.md und Portfolio-/Quellvalidatoren.
Evidenz ausliefernFühre die Quell-, Experiment-, Evidenz- und Portfolio-Validatoren aus, die das Artefakt lenken.
Dokumentation aktualisierenAktualisiere Agent-Docs, README-/Current-State-Seiten, memory.json und wiki/log.md.

Fallstricke

  • Viele Benchmark-Adapter sind absichtlich Stubs; Anwesenheit bedeutet nicht Bereitschaft.
  • data/ kann multi-Gigabyte-Modelle, Datenbanken, Quellbäume und Docker-Artefakte enthalten. Überprüfe ignorierte/nicht verfolgte Dateien vor dem Staging.
  • Lebenszyklus-Jobs mit exakter Quelle verwenden oft CPU-Zuteilungen auf GPU-Hosts. Ein Hostname, der h100 enthält, beweist nicht, dass eine GPU angefordert oder verwendet wurde.
  • Der historische Pfad ~/Documents/GitHub/kevin-wiki kann lokal fehlen; setze KEVIN_WIKI_ROOT für scripts/run-agent-docs.ts, wenn nötig.

Verwandte Skills