Communitygithub.com

curiositech/windags-skills

Wenden Sie normative BDI-Argumentation auf Agenten an, die Normen erkennen, Entscheidungen über zu verinnerlichende Verpflichtungen treffen und Konflikte durch den Vergleich von Konsequenzen lösen müssen. Verwenden Sie dies, wenn Verpflichtungen, Verbote oder Richtlinien in autonomen Systemen kollidieren. NICHT für einfache, fest priorisierte Regeln, reine Randbedingungserfüllung oder Domänen ohne echten normativen Konflikt.

Was ist windags-skills?

Der Skill **Normative BDI Agent Architecture** ermöglicht es KI-Agenten, multiple, potenziell widersprüchliche Normen (Gebote, Verbote) wie ein menschliches Entscheidungssystem zu handhaben. Statt starren Prioritätenlisten zu folgen, erkennt der Agent eine Norm, entscheidet bewusst, ob er sie verinnerlicht (internalisiert), und wählt bei Konflikten diejenige Handlungsalternative, deren schlimmste Konsequenz am wenigsten schlimm ist. Der Skill trennt dabei die bloße Kenntnis einer Norm (Abstrakte Normbasis) von ihrer tatsächlichen Übernahme (Norminstanzbasis). Er führt das Konzept der schwachen Konsistenz ein – ein Zustand, in dem nicht alle Pläne kompatibel sind, aber dennoch Handlungsspielraum bleibt – und macht die Flexibilitätskosten einer Übernahme explizit. Im Zentrum steht die konsequenzbasierte Rangfolge: Es werden maximale, nicht-konfligierende Teilmengen von Verpflichtungen gebildet, für jede die schlimmste Konsequenz ermittelt und die Teilmenge mit dem geringsten maximalen Schaden gewählt. Der Skill eignet sich für Plattformen, die auf der BDI-Architektur (Beliefs, Desires, Intentions) aufbauen, und ist besonders nützlich für autonome Systeme in den Bereichen Robotik, Datenschutz oder Sicherheit, wo ethische Abwägungen und nachvollziehbare Verstöße notwendig sind.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/a-normative-extension-for-the-bdi-agent

In Ihrer bevorzugten KI fragen

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

Dokumentation

Normative BDI-Agenten-Architektur

Verwenden Sie diesen Skill, wenn ein Agent sich mehrerer Normen bewusst sein muss, entscheiden soll, welche er in sein Handeln übernimmt, und erklären können soll, warum eine bewusste Verletzung weniger schlimm war als die Alternativen.

Wann zu verwenden

  • Mehrere Regeln, Verpflichtungen, Verbote oder Stakeholder-Anforderungen können nicht gleichzeitig erfüllt werden.
  • Ein Agent muss unterscheiden, ob er weiß, dass eine Norm existiert, oder ob er sich tatsächlich entscheidet, ihr zu folgen.
  • Ein System muss rechtfertigen, warum es eine Regel verletzt hat, um einer anderen, gewichtigeren Verpflichtung nachzukommen.
  • Sie benötigen eine konsequenzbasierte Alternative zu starren, fest codierten Prioritätenlisten.
  • Eine BDI-Architektur benötigt eine prinzipielle Möglichkeit, normatives Denken zu integrieren, ohne Normen in absolute Überschreibungen zu verwandeln.

NICHT für Grenzen

Dieser Skill ist nicht das primäre Werkzeug für:

  • Feste Prioritätshierarchien, bei denen die korrekte Rangfolge sich nie mit dem Kontext ändert.
  • Reine Randbedingungserfüllung, bei der jede erfüllende Lösung gut genug ist und eine Normverletzung außerhalb des Rahmens liegt.
  • Regulierungs- oder Ethikumgebungen, die eine wörtliche Nichteinhaltung unabhängig von den Konsequenzen erfordern.
  • Spielzeug-Regel-Engines, die keine Überzeugungen, Verpflichtungen oder Erklärungen für bewusste Verstöße aufrechterhalten.

Kernkonzepte

Erkennung ist nicht Internalisierung

Halten Sie die Abstrakte Normbasis getrennt von der Norminstanzbasis. Der Agent kann eine Norm erkennen, ohne sie zu übernehmen. Diese Trennung ermöglicht eine bewusste, erklärbare Nichteinhaltung anstelle von versehentlicher Unkenntnis.

Drei Konsistenzzustände

  • Starke Inkonsistenz: Kein Plan kann beide Verpflichtungen erfüllen.
  • Schwache Konsistenz: Manche Pläne funktionieren, aber die zukünftige Flexibilität nimmt ab.
  • Starke Konsistenz: Alle relevanten Pläne bleiben kompatibel.

Der Fall der schwachen Konsistenz ist der Ort, an dem das meiste echte Design-Urteilsvermögen liegt.

Konsequenzen-Ranking

Wenn Normen kollidieren, vergleichen Sie kohärente Bündel von Verpflichtungen anhand ihrer schlimmsten nachgelagerten Konsequenz. Es geht nicht darum, die durchschnittliche Güte zu maximieren, sondern darum, den am wenigsten schlimmen schlechtesten Fall unter inkompatiblen Zukünften zu wählen.

Normen als hypothetische Wünsche

Übernommene Gebote und Verbote werden zu anfechtbaren Drücken innerhalb der BDI-Mechanik, anstatt eines separaten Überschreibungssystems. Dies hält das normative Denken in derselben deliberativen Schleife wie die normale Zielverfolgung.

Entscheidungspunkte

Siehe den Übernahme- und Konfliktfluss in diagrams/01_flowchart_decision-points.md.

flowchart TD
  A[Norm erkannt] --> B{In aktuellen Überzeugungen begründbar?}
  B -->|Nein| C[Abstrakt halten und überwachen]
  B -->|Ja| D[Konsistenz prüfen]
  D -->|Stark inkonsistent| E[Konfliktbündel nach schlimmster Konsequenz vergleichen]
  D -->|Schwach konsistent| F[Flexibilitätskosten bewerten]
  D -->|Stark konsistent| G[Norm übernehmen]
  E --> H[Am wenigsten schlimmen schlechtesten Fall wählen]
  F --> I{Lohnt sich die Übernahme noch?}
  I -->|Ja| G
  I -->|Nein| J[Ablehnen oder verschieben]
  H --> G

1. Entscheiden, ob eine Norm übernommen werden soll

  • Wenn eine neue Norm stark inkonsistent mit den aktuellen Verpflichtungen ist, erfordert die Übernahme das Aufgeben oder Überarbeiten von etwas anderem.
  • Wenn sie schwach konsistent ist, machen Sie die Flexibilitätskosten explizit, bevor Sie sie übernehmen.
  • Wenn sie stark konsistent ist, ist die Übernahme mit geringem Risiko verbunden und sollte in der Regel automatisch erfolgen.

2. Entscheiden, wie ein Konflikt gelöst werden soll

  • Erzeugen Sie maximale, nicht-konfligierende Teilmengen, anstatt Normen isoliert einzeln zu vergleichen.
  • Erstellen Sie Pläne für jede Teilmenge und identifizieren Sie die schlimmste Konsequenz in jeder Zukunft.
  • Wählen Sie die Teilmenge, deren schlechtester Fall am wenigsten schlimm ist, und zeichnen Sie den Grund für die gewählte Verletzung auf.

3. Entscheiden, wann eine abstrakte Norm instanziiert werden soll

  • Instanziieren Sie nur, wenn aktuelle Überzeugungen Variablen binden und Aktivierungsbedingungen erfüllen können.
  • Halten Sie ungelöste Normen sichtbar, wenn das Wissen unvollständig ist, anstatt so zu tun, als ob sie nicht gelten.
  • Bewerten Sie ausstehende abstrakte Normen nach sinnvollen Überzeugungsaktualisierungen neu.

Fehlermodi

1. Übernahme-Totalsperre

Symptome: Der Agent internalisiert so viele Normen, dass keine machbare Handlung mehr übrig bleibt. Erkennungsregel: Der aktive Handlungsraum schrumpft schneller, als Konflikte gelöst werden. Wiederherstellung: Erzwingen Sie eine Konsistenzprüfung, bevor eine weitere Norm in die Norminstanzbasis eintritt.

2. Versteckte Verletzung

Symptome: Der Agent verletzt eine Norm, kann aber nicht angeben, dass er dies bewusst getan hat. Erkennungsregel: Post-hoc-Erklärungen lassen die abgelehnte Norm aus oder behandeln die Verletzung, als ob sie nie existiert hätte. Wiederherstellung: Bewahren Sie abgelehnte, aber erkannte Normen auf und protokollieren Sie den gewinnenden Konsequenzenvergleich.

3. Binärer Konsistenzkollaps

Symptome: Die Übernahmelogik behandelt jede Norm entweder als vollständig kompatibel oder unmöglich. Erkennungsregel: Schwache Konsistenz erscheint nie in der Architektur oder den Protokollen. Wiederherstellung: Fügen Sie einen expliziten Zweig für schwache Konsistenz hinzu und modellieren Sie den Flexibilitätsverlust direkt.

4. Starrheit durch feste Priorität

Symptome: Derselbe globale Prioritätsstapel erzeugt in Randfällen offensichtlich falsche Entscheidungen. Erkennungsregel: Konfliktergebnisse ändern sich nur, wenn sich die Prioritätstabelle ändert, nie, wenn sich die Konsequenzen ändern. Wiederherstellung: Wechseln Sie von starrer Rangfolge zu Teilmengenerzeugung plus Konsequenzen-Ranking.

5. Norm-Seitenkanal-Architektur

Symptome: Die Normverwaltung befindet sich in einem separaten Durchsetzungsmodul, das die BDI-Deliberation spät in der Ausführung überschreibt. Erkennungsregel: Normlogik kann nicht mit Überzeugungen, Wünschen und Absichten erklärt werden. Wiederherstellung: Wandeln Sie übernommene Normen in interne deliberative Drücke um und leiten Sie sie durch die Hauptarchitektur.

Ausgearbeitete Beispiele

Beispiel 1: Datenschutz vs. Personalisierung

Ein Dienstagent kennt eine Norm, die die direkte Nutzung von Kundendaten verbietet, und eine Verpflichtung, die Benutzererfahrung zu verbessern. Das System findet schwache Konsistenz: Aggregierte Verhaltenszusammenfassungen bewahren die meiste Personalisierung, während sie den Datenschutzschaden begrenzen. Der Skill hält beide Normen sichtbar, instanziiert nur die aggregierte sichere Verpflichtung und zeichnet auf, warum die direkte Datennutzung abgelehnt wurde.

Beispiel 2: Roboter und Baby

Ein Pflegeroboter steht vor der Verpflichtung, ein Baby am Leben zu erhalten, und einem Verbot, Liebe für Menschen zu entwickeln. Kein Plan erfüllt beides. Der Skill erzeugt zwei kohärente Teilmengen, vergleicht die schlimmsten Konsequenzen und verletzt bewusst das Entwicklungsverbot, weil der Tod ein schlimmeres Ergebnis ist als die verbotene Bindung. Die Verletzung ist explizit und berichtbar.

Qualitätstore

  • Die Architektur unterscheidet erkannte Normen von übernommenen Normen.
  • Konsistenzprüfungen umfassen starke Inkonsistenz, schwache Konsistenz und starke Konsistenz.
  • Die Konfliktlösung vergleicht kohärente Teilmengen, nicht nur isolierte Normen.
  • Gewählte Verletzungen werden mit expliziten Konsequenzenvergleichen protokolliert.
  • Abstrakte Normen können ausstehend bleiben, wenn die Überzeugungsverankerung unvollständig ist.

Referenzdateien

DateiLaden, wenn
references/separation-of-norm-recognition-and-norm-internalization.mdANB- vs. NIB-Grenzen entwerfen
references/three-types-of-consistency-for-norm-adoption.mdÜbernahmeprüfungen und Flexibilitätskostenlogik implementieren
references/normative-conflict-resolution-through-consequence-ranking.mdKonsequenzbasierte Konfliktlösung aufbauen oder überprüfen
references/norm-instantiation-through-belief-grounding.mdAbstrakte Normen in kontextspezifische Instanzen einbetten
references/maximal-non-conflicting-subsets-for-action-selection.mdKohärente Optionsbündel unter Konflikt berechnen
references/desire-internalization-as-norm-adoption-mechanism.mdNormen in BDI-Wunsch- und Absichtsverarbeitung integrieren

Anti-Patterns

  • Eine einzelne Prioritätsreihenfolge fest codieren und dies "Ethik" nennen.
  • Jede erkannte Norm automatisch übernehmen und Widersprüche erst zur Ausführungszeit entdecken.
  • Schwache Konsistenz so behandeln, als wäre sie dasselbe wie starke Konsistenz.
  • Verletzungen nach durchschnittlichem Nutzen vergleichen, während katastrophale schlechteste Fälle ignoriert werden.

Individual skills in this repo

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

curiositech/windags-skills

Expert in 2000s-era music visualization (Milkdrop, AVS, Geiss) and modern WebGL implementations. Specializes in Butterchurn integration, Web Audio API AnalyserNode FFT data, GLSL shaders for audio-reactive visuals, and psychedelic generative art. Activate on "Milkdrop", "music visualization", "WebGL visualizer", "Butterchurn", "audio reactive", "FFT visualization", "spectrum analyzer". NOT for simple bar charts/waveforms (use basic canvas), video editing, or non-audio visuals.

curiositech/windags-skills

Expert legal research agent for finding and scraping expungement data state by state. Knows authoritative sources, URL patterns, Firecrawl configuration, and 2026 legal landscape.

curiositech/windags-skills

Expert in 3D computer vision labeling tools, workflows, and AI-assisted annotation for LiDAR, point clouds, and sensor fusion. Covers SAM4D/Point-SAM, human-in-the-loop architectures, and vertical-specific training strategies. Activate on '3D labeling', 'point cloud annotation', 'LiDAR labeling', 'SAM 3D', 'SAM4D', 'sensor fusion annotation', '3D bounding box', 'semantic segmentation point cloud'. NOT for 2D image labeling (use clip-aware-embeddings), general ML training (use ml-engineer), video annotation without 3D (use computer-vision-pipeline), or VLM prompt engineering (use prompt-engineer).

curiositech/windags-skills

Implement WCAG 2.2 AA/AAA compliance with automated testing, keyboard navigation, screen reader support, and focus management. Activate on: accessibility audit, WCAG compliance, keyboard navigation, screen reader, aria attributes, axe-core, focus trap. NOT for: design-level accessibility review (use design-accessibility-auditor), color contrast only (use css-in-js-architect).

curiositech/windags-skills

Time-blind friendly planning, executive function support, and daily structure for ADHD brains. Specializes in realistic time estimation, dopamine-aware task design, and building systems that actually work for neurodivergent minds.

curiositech/windags-skills

Designs digital experiences for ADHD brains using neuroscience research and UX principles. Expert in reducing cognitive load, time blindness solutions, dopamine-driven engagement, and compassionate design patterns. Activate on 'ADHD design', 'cognitive load', 'accessibility', 'neurodivergent UX', 'time blindness', 'dopamine-driven', 'executive function'. NOT for general accessibility (WCAG only), neurotypical UX design, or simple UI styling without ADHD context.

curiositech/windags-skills

>- Apply crisis decision-making research to agent routing, uncertainty triage, and coordination failure analysis in time-pressured systems. Use when diagnosing handoff failures, analytical paralysis, or expert judgment under incomplete information. NOT for routine coding, simple CRUD design, or static single-agent tasks with complete information.

curiositech/windags-skills

Extend and modify the admin dashboard, developer portal, and operations console. Use when adding new admin tabs, metrics, monitoring features, or internal tools. Activates for dashboard development, analytics, user management, and internal tooling.

curiositech/windags-skills

Conversation patterns and interaction protocols for multi-agent systems. Covers request/response, pub/sub, blackboard, delegation chains, debate, critique, consensus, fan-out/fan-in, supervisor-worker, and peer negotiation. Deep analysis of AutoGen conversation patterns, CrewAI delegation, LangGraph state passing, and FIPA-ACL performatives. Teaches how to design what agents say to each other and in what order. Activate on: "agent conversation", "agent protocol", "multi-agent debate", "agent delegation", "supervisor worker pattern", "agent voting", "consensus protocol", "fan-out fan-in", "agent negotiation", "blackboard pattern", "agent dialogue", "conversation topology", "agent handoff". NOT for: wire format or serialization (use agent-interchange-formats), orchestration infrastructure (use agentic-infrastructure-2026), single agent behavior (use agentic-patterns).

curiositech/windags-skills

Meta-agent for creating new custom agents, skills, and MCP integrations. Expert in agent design, MCP development, skill architecture, and rapid prototyping. Activate on 'create agent', 'new skill', 'MCP server', 'custom tool', 'agent design'. NOT for using existing agents (invoke them directly), general coding (use language-specific skills), or infrastructure setup (use deployment-engineer).

curiositech/windags-skills

AI-powered calendar management and agent-based scheduling coordination. Covers calendar APIs (Google Calendar, CalDAV/iCal), AI scheduling assistants (Reclaim, Clockwise, Motion, Cal.com), building custom calendar agents with MCP, multi-calendar merging, timezone management, focus block protection, meeting fatigue detection, and agent-to-agent meeting negotiation protocols. Activate on: "calendar agent", "AI scheduling", "calendar coordination", "meeting scheduling", "calendar API", "focus time protection", "calendar optimization", "Google Calendar MCP", "Reclaim", "Clockwise", "Motion", "Cal.com", "smart scheduling", "calendar-aware agent", "timezone scheduling", "agent negotiation meetings". NOT for: manual calendar UI component design (use form-validation-architect), project management scheduling or Gantt charts (use project-management-guru-adhd), general time-tracking or pomodoro apps (use adhd-daily-planner for time-awareness), building the agent itself from scratch (use agent-creator).

curiositech/windags-skills

Build and adopt production AI agent infrastructure in 2026. Covers framework selection (LangGraph, CrewAI, AutoGen, MCP), orchestration patterns, evaluation, observability, memory systems, and tool use. Also covers the SOCIAL dimension: how to sell agent infrastructure internally, change management, measuring ROI, building trust in autonomous systems, and scaling adoption across teams. Activate on: "agent infrastructure", "agent framework comparison", "which agent framework", "sell AI tools internally", "agent adoption", "agent observability", "agent evaluation", "MCP architecture", "agentic mesh", "enterprise AI agents", "AI change management", "agent ROI". NOT for: building specific agents (use ai-engineer), designing agent behavior patterns (use agentic-patterns), prompt tuning (use prompt-engineer).

curiositech/windags-skills

Fundamental patterns for effective agentic behavior. Teaches decomposition, tool orchestration, error recovery, context management, quality self-assessment, and knowing when to stop. Model-agnostic principles that make any agent more effective regardless of domain. Activate on: "how should I structure this agent", "agentic workflow", "agent patterns", "multi-step task", "tool orchestration", "/agentic-patterns", "decompose this", "agent best practices", "chain of actions", "when should the agent stop", "agent loop design". NOT for: creating agent infrastructure (use agent-creator), building DAGs (use windags-architect), specific tool implementation.

curiositech/windags-skills

Automated discovery and matching of agent skills for dynamic task routing and capability assessment

curiositech/windags-skills

Cryptographic security for agentic systems — zero-trust agent networking, signed message envelopes (JWS/JWE), capability-based security (ocaps), Merkle tree audit trails, WASM sandboxing, and formal verification. Covers CLI dev tool security, mTLS between agents, permission boundaries (least privilege for AI agents), and supply chain security for skills/plugins. Activate on: "agent security", "zero trust agents", "secure agent communication", "capability-based security", "ocap", "signed messages between agents", "agent audit trail", "sandbox agent execution", "agent permissions", "mTLS agents", "cryptographic verification", "agent supply chain", "OWASP agentic", "prove agent did X", "tamper-proof agent logs". NOT for: application-level SAST scanning (use security-auditor), network firewall rules (use infrastructure), SOC2/HIPAA compliance (organizational), or prompt injection defense (use prompt-engineer).

curiositech/windags-skills

Data structures and serialization formats for agent-to-agent communication. Covers message envelopes, structured output schemas, capability declarations, task handoff payloads, error/retry signaling, and context windows as data structures. Deep comparison of A2A protocol, MCP, OpenAI function calling, and LangChain message types. Teaches when to use rigid schemas vs free-form with validation, typed vs untyped, streaming vs batch. Activate on: "agent message format", "agent communication schema", "agent-to-agent protocol", "A2A protocol", "MCP message format", "structured output for agents", "agent interop", "interchange format", "agent serialization", "task handoff format", "capability declaration". NOT for: what agents say to each other (use agent-conversation-protocols), orchestration topology (use multi-agent-coordination), building agent infrastructure (use agentic-infrastructure-2026).

curiositech/windags-skills

Logic-based agent programming language implementing BDI architecture for practical autonomous agent development

curiositech/windags-skills

>- Design AgentSpeak(L)-style BDI agents with context-guarded plans, selection functions, and intention stacks. Use for interruptible autonomy, agent policy, and multi-agent orchestration in dynamic environments. NOT for simple rule engines, static planners, or centralized workflows.

curiositech/windags-skills

Foundational concurrent computation model where actors communicate exclusively through asynchronous message passing

curiositech/windags-skills

license: Apache-2.0 NOT for unrelated tasks outside this domain.

Verwandte Skills