Communitygithub.com

AlphaGo-Architektur-Skill

Strategische Muster zur Lösung hartnäckiger Probleme durch kaskadierende Approximation, Selbstverbesserung und heterogene Bewertung, inspiriert von DeepMinds AlphaGo-System.

Was ist AlphaGo-Architektur-Skill?

Dieser Skill bietet einen architektonischen Rahmen, der auf den Prinzipien von DeepMinds AlphaGo-System basiert, um komplexe, rechenintensive Probleme zu lösen, bei denen der Suchraum nicht vollständig durchsucht werden kann. Er führt Entwickler durch Entscheidungsbäume zur Auswahl zwischen einzelnen und kaskadierten Evaluatoren, basierend auf Suchraumgröße, Latenzanforderungen und Fehlermodi-Diversität. Der Skill behandelt kritische Fehlermodi wie Schema Bloat, synchrone Kopplung und Proxy-Metrik-Fixierung mit konkreten Erkennungs- und Behebungsstrategien. Er unterstützt Plattformen wie Claude Code, Cursor und Codex und befähigt Agenten, Bewertungsbudgets adaptiv zuzuweisen, Evaluatoren mit komplementären Fehlern zu mischen und die Systemleistung unter rechenzeitlichen Engpässen zu optimieren. Anhand eines detaillierten Beispiels zur Code-Review-Implementierung wird gezeigt, wie eine Kaskade aus schneller statischer Analyse, mittelschnellem ML-Detektor und teurer semantischer Analyse orchestriert wird. Der Skill enthält zudem Qualitätsgates zur Validierung der Korrelation von Evaluatoren, Latenz- und Genauigkeitsanforderungen sowie zur Skalierbarkeitstests, und grenzt klar ab, wann andere Skills wie Standardoptimierung oder Tiefenlernen-Training eingesetzt werden sollten.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/alphago-deep-rl

In Ihrer bevorzugten KI fragen

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

Dokumentation

Was macht AlphaGo-Architektur-Skill?

Entscheidungspunkte

Wann einzelne vs. kaskadierte Evaluatoren verwenden

Problemeigenschaften:
├── Suchraum handhabbar (b^d < 10^9)
│   └── Verwende den besten einzelnen Evaluator → Standardoptimierung
└── Suchraum nicht handhabbar (b^d > 10^12)
    ├── Gleichmäßiges Bewertungsbudget verfügbar
    │   └── Verwende kaskadierende Approximation:
    │       1. Schnelles Pruning (Policy-Netzwerk) → enger Beam
    │       2. Mittlere Bewertung (Value-Netzwerk) → Qualitätsschätzung
    │       3. Günstige Exploration (Rollouts) → Breitenabdeckung
    └── Ungleichmäßiges Bewertungsbudget
        └── Adaptive Zuweisung:
            ├── Kritische Positionen → teure Bewertung
            └── Routinepositionen → günstige Heuristiken

Entscheidungsbaum für Genauigkeits- vs. Latenzanforderungen

Systemanforderungen:
├── Latenzkritisch (<1ms Antwort)
│   ├── Hohe Genauigkeitstoleranz (>10% Fehler akzeptabel)
│   │   └── Nur schnelle Rollouts (2µs/Bewertung)
│   └── Niedrige Genauigkeitstoleranz (<5% Fehler)
│       └── Gecachtes Policy-Netzwerk + heuristischer Fallback
├── Moderate Latenz (1-100ms Antwort)
│   ├── Hohe Genauigkeit erforderlich
│   │   └── Value-Netzwerk (3ms) + Policy-Netzwerk-Führung
│   └── Ausgewogene Genauigkeit/Geschwindigkeit
│       └── Gemischte Bewertung: λ=0.5 Value + Rollouts
└── Latenztolerant (>100ms)
    └── Vollständige Kaskade: Policy → Value → Rollouts mit MCTS

Bewertung der Fehlermodi-Diversität

Bei der Auswahl mehrerer Evaluatoren:
├── Alle Evaluatoren haben ähnliche Fehlermodi
│   └── Verwende den besten einzelnen Evaluator (kein Diversitätsvorteil)
├── Evaluatoren haben komplementäre Fehler
│   ├── Paarung schnell/verrauscht + langsam/genau
│   │   └── Mische mit λ=0.3-0.7 (Neigung zu genau)
│   ├── Paarung konservativ + explorativ
│   │   └── Mische mit λ=0.5 (gleiche Gewichtung)
│   └── Paarung gelernt + handgefertigt
│       └── Dynamisches Mischen basierend auf Konfidenzwerten
└── Unbekannte Fehlerkorrelation
    └── Empirische Tests: Leistung auf Holdout-Set messen

Fehlermodi

Schema-Bloat (Erkennung: >5 Approximationsschichten)

Symptom: Hinzufügen weiterer Approximationsschichten bringt abnehmende Erträge Ursache: Jede Schicht verursacht Overhead ohne proportionalen Genauigkeitsgewinn Behebung: Rechenkosten vs. Genauigkeitsverbesserung profilieren; Schichten mit schlechtem ROI entfernen Erkennungsregel: Wenn das Hinzufügen von Schicht N die Genauigkeit um <5% verbessert, aber die Latenz um >20% erhöht, liegt Schema-Bloat vor

Synchrone Kopplung (Erkennung: Schnelle Komponenten warten untätig)

Symptom: CPU-Auslastung sinkt, während auf GPU-Bewertung gewartet wird Ursache: Enge Kopplung zwischen schneller Suche und langsamer neuronaler Netzwerkbewertung Behebung: Asynchrone Warteschlangen mit Toleranz für veraltete Werte implementieren Erkennungsregel: Wenn schnelle Komponenten (Suche, Rollouts) >50% Leerlaufzeit haben, liegt synchrone Kopplung vor

Proxy-Metrik-Fixierung (Erkennung: Metrik verbessert sich, aber Leistung verschlechtert sich)

Symptom: Vorhersagegenauigkeit von Zügen verbessert sich, aber Gewinnrate sinkt Ursache: Optimierung auf menschliche Nachahmung statt auf objektiven Erfolg Behebung: Wechsel von überwachtem Lernen zu bestärkendem Lernen mit dem wahren Ziel Erkennungsregel: Wenn Proxy-Metrik und Ergebnismetrik über >10 Bewertungen in entgegengesetzte Richtungen tendieren, liegt Proxy-Fixierung vor

Trugschluss des einzelnen Evaluators (Erkennung: Verwerfen „schlechterer“ Einzelkomponenten)

Symptom: Verwerfen von Rollouts, weil das Value-Netzwerk eine höhere individuelle Genauigkeit hat Ursache: Annahme, dass die beste Einzelkomponente die beste Systemkomponente ergibt Behebung: Mischleistung empirisch testen; Diversität schlägt oft individuelle Qualität Erkennungsregel: Wenn Komponenten nach individueller Leistung ausgewählt werden, ohne Kombinationen zu testen, liegt der Trugschluss des einzelnen Evaluators vor

Gleichmäßige Budgetzuweisung (Erkennung: Gleicher Rechenaufwand für alle Entscheidungen)

Symptom: Gleich viel Bewertungszeit für offensichtliche Züge und kritische Positionen Ursache: Keine Anpassung des Rechenbudgets an die Entscheidungswichtigkeit Behebung: Adaptive Zuweisung basierend auf Positionsunsicherheit und Ergebnissensitivität implementieren Erkennungsregel: Wenn die Varianz der Bewertungszeit über Positionen <20% des Mittelwerts beträgt, liegt gleichmäßige Zuweisung vor

Ausgearbeitete Beispiele

Implementierung kaskadierender Approximation für Code-Review

Szenario: Entwicklung eines KI-Systems zur Überprüfung von Pull-Requests mit 50-500 geänderten Zeilen, Antwortzeit <10s, muss 95% der Fehler erkennen.

Schritt 1: Rechenbeschränkungen analysieren

  • Statische Analyse: 10ms pro Datei
  • ML-Fehlerdetektor: 2s pro Datei
  • Tiefe semantische Analyse: 30s pro Datei
  • Verfügbares Budget: 10s insgesamt

Schritt 2: Kaskaden-Entscheidungsbaum anwenden Da der erschöpfende Durchlauf das Budget überschreitet, folge dem Pfad „nicht handhabbarer Suchraum“:

  1. Schnelle Pruning-Schicht (statische Analyse): Eliminiere Dateien ohne Komplexitätsänderungen
  2. Mittlere Bewertungsschicht (ML-Detektor): Bewerte verbleibende Dateien nach Fehlerwahrscheinlichkeit
  3. Teure Analyseschicht (semantisch): Tiefenanalyse nur der höchstbewerteten Dateien

Schritt 3: Budgetzuweisungsstrategie

  • Reservinge 2s für ML-Bewertung aller verbleibenden Dateien
  • Zuweisen der restlichen 8s für semantische Analyse basierend auf ML-Werten
  • Dateien mit Wert >0,8: erhalten 4s pro Datei (max. 2 Dateien)
  • Dateien mit Wert 0,5-0,8: erhalten 2s pro Datei
  • Dateien mit Wert <0,5: erhalten nur den ML-Wert

Schritt 4: Implementierung der gemischten Bewertung Statt des „besten“ Evaluators (semantische Analyse) zu verwenden, mische ML- und semantische Werte:

  • ML-Detektor: schnell, gut im Mustervergleich, übersieht neuartige Fehler
  • Semantische Analyse: langsam, erfasst komplexe Logikfehler, hohe Falsch-Positiv-Rate
  • Mischung mit λ=0,6: final_score = 0,6 * semantisch + 0,4 * ml

Anfängeransatz: Führe semantische Analyse für alles durch → Zeitüberschreitung nach den ersten paar Dateien Experteneinblick: Die Kaskade ermöglicht es, teure Berechnungen nur dort einzusetzen, wo sie am meisten benötigt werden, während sichergestellt wird, dass jede Datei eine gewisse Bewertung erhält

Qualitätsgates

[ ] N Evaluatoren getestet: Mindestens 3 Evaluatoren mit unterschiedlichen Geschwindigkeits-/Genauigkeitsprofilen implementiert und benchmarkt [ ] Fehlerkorrelation gemessen: Paarweise Korrelationsmatrix erstellt, die zeigt, dass Evaluatoren auf dem Testset eine Korrelation <0,7 aufweisen [ ] Mischung vs. Einzelbewertung: Empirischer Vergleich zeigt, dass die Mischung die beste Einzelkomponente um >5% übertrifft [ ] Latenzanforderungen erfüllt: 95. Perzentil der Antwortzeit liegt unter dem angegebenen Schwellenwert bei voller Kaskade [ ] Genauigkeitsanforderungen erfüllt: Fehlerrate auf dem Holdout-Set liegt unter dem angegebenen Schwellenwert (z.B. <5% Falsch-Negativ-Rate) [ ] Budgetzuweisung profiliert: Aufschlüsselung der Rechenkosten zeigt, dass das Budget entsprechend der Entscheidungswichtigkeit verteilt wird [ ] Fehlermodustests: System unter adversen Bedingungen getestet (Verteilungsverschiebung, Ressourcenbeschränkungen, Grenzfälle) [ ] Asynchrone Koordination verifiziert: Schnelle Komponenten behalten >80% Auslastung, selbst wenn langsame Komponenten gesättigt sind [ ] Skalierbarkeit validiert: Leistung verschlechtert sich kontrolliert bei 10-facher Überlastung über die Nennkapazität hinaus [ ] Monitoring-Instrumentierung: Metriken verfolgen die Übereinstimmung von Proxy und Ergebnis, Komponentenauslastung und Kaskadeneffektivität

NICHT-FÜR-Grenzen

Verwende diesen Skill NICHT für:

  • Einfache Optimierungsprobleme mit handhabbarem Suchraum → verwende stattdessen Standardoptimierung
  • Einzelmodell-Training oder -Tuning → verwende stattdessen Tiefenlernen-Training
  • Echtzeitsysteme mit <1ms Latenz → verwende stattdessen Niedriglatenzsysteme
  • Probleme, bei denen ein Evaluator klar überlegen ist und andere keinen Mehrwert bieten → verwende stattdessen Einzelmodell-Bereitstellung
  • Sequenzielle Entscheidungsprozesse ohne Suchbaumstruktur → verwende stattdessen Grundlagen des bestärkenden Lernens

Delegiere an andere Skills, wenn:

  • Die Implementierung spezifischer neuronaler Netzwerkarchitekturen benötigt wird → Tiefenlernen-Architekturen
  • Die Infrastruktur verteilter Systeme entworfen wird → Entwurf verteilter Systeme
  • Die Leistung einzelner Komponenten optimiert wird → Leistungsoptimierung
  • Die Sammlung und Kennzeichnung von Trainingsdaten behandelt wird → Datenengineering
  • Spezifische Suchalgorithmen implementiert werden → Suchalgorithmen

Dieser Skill konzentriert sich speziell auf: Architekturmuster zur Koordination mehrerer unvollkommener Evaluatoren unter Rechenbeschränkungen, nicht auf die Implementierungsdetails einzelner Komponenten.

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