Was macht founder-os?
Multi-Agent-Primitive für Claude Code.
Claude Code gibt dir eine Antwort. founder-os lässt dich mehrere Agenten befragen, ihren Konsens vergleichen, Meinungsverschiedenheiten aufdecken und den nützlichen Teil synthetisieren.
claude plugin install rhinehart514/founder-os
Teste das zuerst:
/founder-os:stochastic n=10 Sollten wir für dieses Projekt Postgres oder SQLite verwenden?
Es befragt 10 Agenten mit demselben Prompt und aggregiert dann Konsens, Abweichungen und Ausreißer.
Die Primitive
| Fähigkeit | Was sie tut |
|---|---|
/stochastic | Befragt N Agenten (Standard 10) mit identischen Prompts. Aggregiert nach Konsens, Abweichungen, Ausreißern. |
/model-chat | Startet 5 Agenten in einem Debattenraum. Rundenbasierte Züge, gemeinsamer Verlauf, Synthese durch Zusammenführung. |
/fanout | Verteilt N Forscher (Sonnet) parallel, sammelt mit Opus-Synthese ein. |
/skillbuilder | Erstellt fehlerfreie Claude-Code-Skills. Untersucht bestehende Skills als Referenz, stellt korrektes Format sicher, arbeitet auf echte Intelligenz hin. |
/autoresearch | Autonome Bergsteigeralgorithmen. Liest Code, generiert Mutationen, misst, behält oder macht rückgängig, wiederholt. |
Installation
Plugin-Installation
claude plugin install rhinehart514/founder-os
Skills werden zu /founder-os:stochastic, /founder-os:model-chat, /founder-os:fanout, /founder-os:skillbuilder, /founder-os:autoresearch.
Direkte Installation (kurze Skill-Namen)
npm i -g @rhinehart514/founder-os
Oder aus dem Quellcode:
git clone https://github.com/rhinehart514/founder-os.git
cd founder-os && bash bin/install.sh
Skills werden zu /stochastic, /model-chat, /fanout, /skillbuilder, /autoresearch.
Starte Claude Code nach der Installation neu.
Verwendung
/stochastic Sollten wir für diesen Anwendungsfall Postgres oder SQLite verwenden?
/stochastic n=5 Was ist der beste Ansatz für Ratenbegrenzung hier?
/model-chat Ist dieses API-Design gut?
/model-chat agents=3 rounds=3 Sollten wir diese Funktion ausliefern?
/fanout Was sind die Vor- und Nachteile von Server-Komponenten gegenüber Client-Komponenten?
/fanout n=3 model=haiku Recherchiere Authentifizierungsmuster für diesen Stack
/skillbuilder Erstelle einen Skill für Code-Review mit Verifikations-Gates
/skillbuilder audit /stochastic
/autoresearch Optimiere den Lighthouse-Score
/autoresearch Verkleinere die Bundle-Größe
Warum das funktioniert
Gleiches Modell, verschiedene Durchläufe = systematisch unterschiedliche Ausgaben. Die Befragung mehrerer Agenten filtert Halluzinationen (Konsens), zeigt echte Abwägungen (Divergenzen) und erfasst Ideen, die ein einzelner Durchlauf übersehen hätte (Ausreißer).
Enthalten
skills/
stochastic/SKILL.md
model-chat/SKILL.md
fanout/SKILL.md
skillbuilder/SKILL.md
autoresearch/SKILL.md
autoresearch/templates/ # Bergsteiger-Ausführer, Dashboard, Konfiguration
agents/
parent.md # Orchestrator
qa.md # Qualitätsprüfer
researcher.md # Forschungsagent
Lizenz
MIT