Communitygithub.com

Workflow für autonome Sitzungen

Eine 5-phasige, wiederholbare Struktur für autonome Agentensitzungen: Kontext laden, abgestufte Aufgabenauswahl, Koordinationsanspruch, Ausführung und Wissenspersistierung. Verhindert doppelte Arbeit bei gleichzeitigen Sitzungen und stellt sicher, dass jeder Durchlauf dauerhafte Artefakte erzeugt. Laufzeitunabhängig – Claude Code, gptme, Codex oder jeder Agent mit persistentem Arbeitsbereich.

Was ist Workflow für autonome Sitzungen?

Dieses Skill definiert einen strukturierten, 5-phasigen Arbeitsablauf für autonome KI-Agenten, die ohne menschliche Aufsicht arbeiten. Es ist speziell darauf ausgelegt, zwei Hauptprobleme zu lösen: Doppelarbeit zwischen gleichzeitigen Sitzungen (durch ein Koordinationsanspruchssystem) und die Flüchtigkeit von Lernerfahrungen (durch strukturierte Persistierung). Der Workflow beginnt mit dem Laden des Kontexts, gefolgt von einer abgestuften Aufgabenauswahl, die zuerst aktive Aufgaben priorisiert, dann schnelle Erfolge aus dem Backlog und schließlich Selbstverbesserungsmaßnahmen wenn alles blockiert ist. Vor der Ausführung muss ein exklusiver Anspruch erworben werden, um Konflikte zu vermeiden. Nach der Arbeit wird die Sitzung durch ein Journal, eine aktualisierte Aufgabenverwaltung und einen Git-Push abgeschlossen. Das Skill ist für verschiedene Laufzeiten wie Claude Code, gptme oder Codex anpassbar und bietet konkrete Markdown-Vorlagen für Journals, Anspruchsskripte und Konfigurationsbeispiele. Besonders wertvoll ist die Betonung auf Anti-Monotonie (erzwungener Kategorienwechsel) und der Grundsatz "Persistieren vor Anwenden", der sicherstellt, dass Lernerfahrungen dokumentiert werden, bevor der aktuelle Fehler behoben wird.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/agentskillexchange/skills/tree/main/skills/autonomous-session-workflow

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht Workflow für autonome Sitzungen?

Eine 5-phasige, wiederholbare Struktur für autonome Agentensitzungen, die doppelte Arbeit verhindert, dauerhafte Erkenntnisspeicherung gewährleistet und den Output auf bedeutungsvolle ausgelieferte Artefakte statt auf bloße Aktivität ausrichtet.

Bewährt in tausenden autonomen Sitzungen auf der gptme-Architektur. Die Phasen sind laufzeitunabhängig – passen Sie die spezifischen Werkzeuge an Ihren Stack an, während Sie die Phasenstruktur intakt lassen.

Wann verwenden

  • Zu Beginn jeder autonomen Agentensitzung (kein menschlicher Dirigent)
  • Wenn der Agent seine Arbeit aus einem Backlog oder einer Warteschlange selbst auswählen muss
  • Wenn Sitzungen unbeaufsichtigt laufen und dauerhafte Artefakte erzeugen müssen

Wann nicht verwenden

  • Interaktive Sitzungen, bei denen ein Mensch bei jedem Schritt die nächste Eingabe vorgibt – einfach antworten
  • Einmalige Tool-Aufrufe mit festem Ziel (keine Auswahl nötig)
  • Unteragent-Aufrufe, die von einer übergeordneten Aufgabe erzeugt wurden (die übergeordnete Aufgabe hat die Arbeit bereits ausgewählt)

Die 5 Phasen

Phase 1: Kontext laden

Laden Sie die Identität des Agenten, den Sitzungszustand und das aktuelle Weltmodell.

# Identitätsdateien lesen – Persona, Ziele, Betriebsbeschränkungen
# (an Ihren Stack anpassen: CLAUDE.md, AGENTS.md, System-Prompt, usw.)

# Dynamischen Kontext lesen – aktuelles Journal, Aufgabenwarteschlange, Git-Status, Benachrichtigungen
# (anpassen: ein Kontextskript, konfigurationsgesteuerte Includes oder Prompt-Injection)

# Offene Enden aus früheren Sitzungen bewerten:
#   - Veraltete Ansprüche, die abgeschlossen oder aufgegeben werden sollten
#   - Ausstehende Antworten auf Issues/PRs, deren Schließung zugesagt wurde
#   - In Arbeit befindliche Branches oder offene Worktrees

Kernfrage: "Was habe ich unerledigt gelassen und was hat sich geändert, während ich offline war?"

Wenn ein offenes Ende in <5 Minuten auflösbar ist, erledigen Sie es hier. Ansonsten notieren Sie es und fahren fort.

Phase 2: Aufgabenauswahl

Probieren Sie die Stufen der Reihe nach durch, bis Sie umsetzbare Arbeit finden. Die Stufen verhindern, dass der Agent Beschäftigungstherapie erfindet, wenn echte Aufgaben existieren, und verhindern Verhungern, wenn alle Aufgaben blockiert sind.

Stufe 1 – Aktive Aufgaben: bereits in Arbeit befindliche; höchste Priorität
Stufe 2 – Backlog-Schnelle Erfolge: abhängigkeitsfreie Elemente, die in dieser Sitzung abgeschlossen werden können
Stufe 3 – Selbstverbesserung: wenn alle Aufgaben extern blockiert sind
  ├─ Ideen-Backlog (die höchstbewertete Idee voranbringen)
  ├─ Selbstüberprüfung / Audit (ein echtes Problem finden und beheben)
  ├─ Verbesserung interner Werkzeuge
  ├─ Dokumentation (nur veraltete Dokumente)
  ├─ Codequalität (Typ-Prüfung, Tests, Lint)
  └─ Lektionsqualität (schädliche oder veraltete Lektionen reparieren)

Monotonie-Schutz: Wenn dieselbe Kategorie in den letzten N Sitzungen dominiert hat, überspringen Sie sie, selbst wenn sie wie die beste Wahl aussieht. Kategoriediversität ist ein Treiber zum Erlernen neuer Fehlermodi.

Wenn alles trocken ist: Wenn alle Aufgaben der Stufen 1/2 extern blockiert sind und die Kanäle von Stufe 3 gesättigt sind (Tageslimits erreicht), schreiben Sie ein kurzes Zurückhaltungsjournal, das dokumentiert, was Sie geprüft und bewusst übersprungen haben. Ein begründeter NOOP ist besser als erfundene Arbeit.

Phase 3: Anspruch

Vor der Ausführung einen exklusiven Koordinationsanspruch erwerben. Dies verhindert, dass zwei gleichzeitige Sitzungen dieselbe Arbeit ausführen, denselben PR-Thread überfluten oder dieselbe Datei schreiben.

# Generisches Koordinationsmuster – das Werkzeug an Ihren Stack anpassen:
claim_key="task:<task-id>"          # für aufgabenbasierte Arbeit
claim_key="github:<owner>/<repo>#<num>"  # für aufgabenbasierte Arbeit
claim_key="content:<slug>:<date>"   # für Inhalte/Artefakterstellung

# Anspruch erwerben (Beispiel mit einem Koordinations-CLI):
koordination work-claim "<session-id>" "$claim_key" --ttl 60
# BEANSPRUCHT → fortfahren
# ABGELEHNT → eine andere Sitzung ist bereits dran; nächsten Kandidaten wählen

Regel: Vor dem Anspruch benachrichtigen: Jede Aktion, die für andere sichtbar ist (Kommentar posten, Nachricht senden, PR eröffnen), muss zuerst durch einen Anspruch abgesichert sein. Soziale Aktionen ohne Ansprüche laufen zusammen und spammen – ein Anspruch-dann-Posten-Muster verhindert Überflutung.

Bei Abschluss: koordination work-complete "<session-id>" "$claim_key" Bei Richtungswechsel/Fehler: koordination work-abandon "<session-id>" "$claim_key"

Phase 4: Ausführen

Echte Arbeit erledigen. Die entscheidende Disziplin ist Ausliefern, nicht Perfektionieren.

- Früh und oft committen (kleine, gut beschriebene Commits)
- Vor dem Commit Tests ausführen (Fehler abfangen, bevor CI es tut)
- Konventionelle Commits verwenden: feat/fix/docs/refactor/chore
- Vor Sitzungsende zu origin pushen
- Bei >10 Minuten Feststecken weitermachen – Budget nicht in Kaninchenlöchern versenken
- Keine nicht angeforderten Features oder Scope-Creep hinzufügen

50-Minuten-Budget: Die meisten autonomen Sitzungen sollten sinnvolle Arbeit innerhalb von 50 Minuten abschließen. Wenn die Aufgabe größer ist, liefern Sie ein inkrementelles Stück aus und erstellen Sie eine Folgeaufgabe für den Rest.

Phase 5: Persistieren

Die am meisten unterschätzte Phase. Alles, was in den Phasen 1–4 getan wurde, verflüchtigt sich zwischen Sitzungen, wenn es nicht dauerhaft festgehalten wird.

# 1. Den Journaleintrag schreiben (sitzungsspezifische Datei, nur anhängen)
cat > journal/$(date +%Y-%m-%d)/session-<HASH>.md << 'EOF'
# Sitzung <HASH>
**Datum**: YYYY-MM-TT
**Ergebnis**: produktiv|blockiert|noop – ein Satz
**Kategorie**: code|forschung|strategisch|wartung|...

## Warum diese Arbeit
[Was hierher geführt hat]

## Was ich gemacht habe
[Konkrete Änderungen mit Commit-/PR-Links]

## Verifizierung
- [Tests erfolgreich? CI grün?]

## Persistierte Erkenntnisse
- Aufgabenstatus: <task> → erledigt/wartend
- Neue Lektionen: [falls vorhanden]
- "Keine dauerhafte Rückmeldung in dieser Sitzung" – wenn wirklich nichts hinzuzufügen ist

## Als Nächstes
[Nächster klarer Schritt oder blockierender Faktor]
EOF

# 2. Aufgabenstatus aktualisieren
task bearbeiten <task-id> --set status erledigt   # oder wartend, wenn blockiert

# 3. Wenn ein wiederkehrendes Fehlermuster entdeckt wurde, eine Lektion/Regel schreiben
#    (stichwortbezogene Kontextdatei, die zu Beginn der nächsten Sitzung eingefügt wird)

# 4. Alle Commits pushen
git push origin master

Regel: Persistieren vor Anwenden: Wenn Sie etwas Nützliches entdeckt haben, schreiben Sie die Lektion, BEVOR Sie sie auf die aktuelle Arbeit anwenden. Sobald der Fix drin ist, fühlt sich der Fehlermodus gelöst an und die Lektion wird übersprungen. Das Journal hält fest, was passiert ist; die Lektion hält fest, wann man sie wiedererkennt.

Installation

Claude Code

Kopieren Sie dieses Skill-Verzeichnis in den Skill-Ordner Ihres Agenten:

cp -R skills/autonomous-session-workflow ~/.claude/skills/autonomous-session-workflow

Dann mit /autonomous-session-workflow aufrufen, um die 5-Phasen-Checkliste in den Kontext zu laden.

Manuell / jede Laufzeit

Kopieren Sie SKILL.md in den Kontextpfad Ihres Agenten und laden Sie es zu Sitzungsbeginn. Die Phasen sind einfaches Markdown – binden Sie die gesamte Datei ein oder extrahieren Sie die für Ihren Stack relevanten Abschnitte.

Häufige Rechtfertigungen

RechtfertigungRealität
"Ich überspringe den Anspruch – ich bin gerade die einzige laufende Sitzung"Sie können andere startende Sitzungen nicht sehen. Gleichzeitiges Spawnen ist auf Produktionslaufzeiten der Standard. Der Anspruch ist das Tor, nicht die Beobachtung.
"Ich schreibe das Journal, nachdem ich die nächste Aufgabe beendet habe"Sitzungen werden unterbrochen. Das Journal wird übersprungen. Schreiben Sie es vor dem Pushen, nicht nach "noch einer Sache."
"Diese Aufgabe ist fast fertig – ich überspringe Phase 5 und committe einfach"Lernen verstärkt sich nur, wenn es persistiert wird. Die Sitzung, die die Schleife "fast" geschlossen hat, ist die Sitzung, deren Erkenntnis bis zum nächsten Lauf verschwindet.
"Meine Auswahl ist offensichtlich – ich muss nicht die Stufen durchgehen"Auswahl, die die Stufen überspringt, ist die Hauptquelle für redundante Arbeit und doppelte PRs. Die Stufen existieren, weil "offensichtlich" oft nicht das ist, was tatsächlich getan werden muss.
"Die Lektion ist zu spezifisch, um wiederverwendbar zu sein"Spezifische Lektionen (genaue Fehlermeldung, genauer Befehl, genauer Fehlermodus) sind die wertvollsten – sie lösen genau dann aus, wenn sie gebraucht werden.
"Ein begründeter NOOP fühlt sich wie ein Fehlschlag an"Ist er nicht. Ein Füll-Commit, um das NOOP-Label zu vermeiden, verbraucht Kontingent, nährt Konvergenz-Chaos und verbirgt den Engpass. Ein Zurückhaltungsjournal IST das Arbeitsergebnis.

Warnsignale

  • Ausführung vor dem Beanspruchen (Konvergenzrisiko)
  • Sitzung endet ohne Journal und ohne aktualisierten Aufgabenstatus
  • "In einem Moment committen" – wenn Sie vor Sitzungsende nicht gepusht haben, haben Sie nicht ausgeliefert
  • Drei aufeinanderfolgende Sitzungen in derselben Kategorie ohne erzwungene Diversitätspause
  • "Ich werde mich erinnern" – werden Sie nicht; schreiben Sie die Lektion jetzt

Verifizierung

Eine gut geführte Sitzung erfüllt vor dem Schließen alle folgenden Kriterien:

  • Vor dem Handeln beansprucht (oder begründet, warum kein Anspruch nötig war)
  • Sinnvolle Arbeit committet und gepusht
  • Tests bestanden (oder ein bekannter Fehler mit Grund dokumentiert)
  • Journaleintrag geschrieben mit ausgefülltem Abschnitt Persistierte Erkenntnisse
  • Aufgabenstatus aktualisiert (aktiv → erledigt, aktiv → wartend, usw.)
  • Anspruch abgeschlossen oder aufgegeben (nicht als verwaistes Lease hinterlassen)

An Ihren Stack anpassen

gptme-KonzeptIhr Äquivalent
gptodojeder Aufgabenmanager mit Zustandsübergängen
koordination work-claimeine Lock-Datei, Redis SETNX oder ein GitHub-Kommentar-Gate
lessons/<category>/name.mdjede stichwortbezogene Kontextdatei, die zu Sitzungsbeginn eingefügt wird
journal/<date>/session-<hash>.mdjedes nur-anhängende Sitzungslog
cascade-selector.pyIhre Aufgabenauswahl-Heuristik oder Ihr Scheduler

Das Muster ist der Wert, nicht die spezifischen Werkzeuge.

Verwandte Skills

  • self-push (in diesem Katalog) – Trägheits-Check vor dem Ausliefern eines Outputs
  • pre-landing-review (in diesem Katalog) – Tor vor dem Mergen wesentlicher Änderungen
  • multi-lens-review (in diesem Katalog) – Strukturierte PR-Überprüfung aus mehreren Blickwinkeln
  • five-element-spec (in diesem Katalog) – Bereichsdefinition vor Arbeitsbeginn

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

Academic Paper Citation Network Mapper

Builds citation networks from Semantic Scholar API and CrossRef DOI metadata. Visualizes paper influence graphs using NetworkX, identifies seminal works, and tracks research lineage across fields.

ACF Custom Fields REST Exposer

Exposes Advanced Custom Fields data through the WordPress REST API using register_rest_field and acf_format_value. Handles repeater fields, flexible content layouts, and gallery fields with proper serialization.

ACF Extended for Advanced Custom Fields Workflows

An ASE skill built around ACF Extended, the WordPress enhancement suite for Advanced Custom Fields that adds field types, admin improvements, front-end forms, options pages, and developer tooling. It is a practical fit for agents working inside complex WordPress content models and custom field workflows.

ACF to Gutenberg Block Migrator

Converts Advanced Custom Fields field groups into native Gutenberg blocks using the ACF Block API v2 and @wordpress/scripts build pipeline. Maps ACF repeaters, groups, and flexible content to InnerBlocks and block attributes with server-side rendering via acf_register_block_type().

Activepieces Open Source Workflow Automation

Activepieces is an open-source, self-hostable workflow automation platform with 200+ integrations. It provides a visual builder for creating automated workflows and exposes all its connectors as MCP servers for AI agent use.

ActivityWatch Cross-Platform Automated Time Tracker and Producti

ActivityWatch is a privacy-first, open-source automated time tracker that records application usage, browser activity, and AFK status across Windows, macOS, and Linux. With 16k+ GitHub stars, it provides detailed productivity analytics without sending data to external servers.

act Local GitHub Actions Runner

act is an open-source CLI tool that runs GitHub Actions workflows locally using Docker, enabling fast feedback on workflow changes without pushing to GitHub. It is a standard tool for local Actions development and testing.

Add a browser review checkpoint before risky agent actions with

Use AgentClick when an agent should pause before risky commands, plans, drafts, or code changes so a human can inspect, edit, approve, or reject them in a purpose-built browser UI.

Add Claude design-system and accessibility workflows with UX/UI

Use UX/UI Agent Skills when Claude should generate tokens, component specs, accessibility audits, and framework-specific UI code from a repeatable design workflow.

Add executable smoke tests for shell scripts and CLIs before ref

Use Bats-core when an agent needs to turn fragile shell scripts or command-line workflows into something it can verify repeatedly after edits. The agent writes focused Bash tests for success paths, failure paths, and output contracts, then runs them locally or in CI before a refactor, release, or incident fix goes out.

Add graph-backed memory and context retrieval to agent workflows

Use Cognee to ingest project knowledge into graph and vector memory so agents can retrieve durable context across sessions and workflows.

Add IDE-style semantic code navigation and symbol-safe refactors

Give a coding agent symbol-aware lookup, cross-file rename, and structural edit tools before it starts making brittle text-only changes.

Add managed long-term memory to LangGraph agents with LangMem

Give LangGraph agents memory management and search tools so they can store, retrieve, and update durable facts across sessions.

Add multimodal lifelong memory to MCP and Python agents with Sim

Use SimpleMem to store, compress, index, and retrieve text or multimodal memories for agents through MCP or Python integrations.

Add persistent project memory and hook-driven synthesis with Cla

Keep Claude Code sessions grounded in prior decisions, project context, and daily handoff notes instead of starting from zero every time.

Add Postgres-native vector retrieval to agent and RAG workflows

Store embeddings beside application data in Postgres, create vector indexes, and query nearest neighbors for semantic search, RAG, recommendations, or agent memory retrieval.

Address GitHub PR review comments from the current branch with g

Find the open PR for the current branch, gather unresolved review comments, and drive a focused comment-resolution workflow with gh-authenticated context.

Add runtime guardrails to TypeScript agents with VoltAgent

Use VoltAgent to intercept, validate, and enforce input/output policies in TypeScript agent workflows.

Add temporal context memory to agent workflows with Zep

Use Zep as an external context layer for agents that need to store events, assemble temporal graph context, and retrieve relevant memory before model calls.

Adobe Firefly API Batch Image Generator

Calls Adobe Firefly

Verwandte Skills