Ein Wissenszyklus für KI-Agenten, der mit den Menschen wächst, die ihn gestalten. Im Mittelpunkt steht die Knappheit menschlicher Aufmerksamkeit und Urteilsfähigkeit bei wachsenden Agentenfähigkeiten; sechs Phasen halten das Verhalten über Sitzungen hinweg an der Absicht des Bedieners ausgerichtet. ADRs, JSON-Schemata und eine ablaufinvariante Python-Referenz.
Der **agent-knowledge-cycle** von shimo4228 ist ein strukturiertes Framework, das KI-Agenten dabei unterstützt, über mehrere Sitzungen hinweg konsistent mit den Absichten ihrer menschlichen Bediener zu handeln. Es adressiert die grundlegende Herausforderung, dass mit zunehmenden Agentenfähigkeiten die menschliche Aufmerksamkeit und Urteilsfähigkeit knapper werden. Der Zyklus besteht aus sechs klar definierten Phasen, die sicherstellen, dass das Agentenverhalten kontinuierlich evaluiert, dokumentiert und an die sich ändernden Anforderungen angepasst wird. Das Repository enthält Architecture Decision Records (ADRs) zur Dokumentation der Entwurfsentscheidungen, JSON-Schemata für die Datenstrukturierung sowie eine ablaufinvariante Python-Referenzimplementierung, die unabhängig von externen Paketen funktioniert. Dieses Skill ist besonders nützlich für Entwickler und Teams, die wiederverwendbare und robuste Agenten-Workflows erstellen möchten, die über Zeit und verschiedene Aufgabenumgebungen hinweg zuverlässig bleiben.
npx skills add shimo4228/agent-knowledge-cycleInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Ein Wissenszyklus für KI-Agenten — einer, der mit den Menschen wächst, die ihn gestalten. Im Mittelpunkt steht die Knappheit menschlicher Aufmerksamkeit und Urteilsfähigkeit bei wachsenden Agentenfähigkeiten; sechs Phasen halten das Verhalten über Sitzungen hinweg an der Absicht des Bedieners ausgerichtet. ADRs, JSON-Schemata und eine ablaufinvariante Python-Referenz.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.