Communitygithub.com

curiositech/windags-skills

Was du mit einem ständig aktiven KI-Agenten mit episodischem Gedächtnis bauen und tun kannst. Enthält konkrete Produktideen, Workflows, emergente Fähigkeiten aus Persistenz plus Gedächtnis und reale Beispiele von bereitgestellten persistenten Agenten.

Was ist windags-skills?

Dieses Skill behandelt die Frage, was man eigentlich mit einem ständig aktiven KI-Agenten anfangen kann, der sich an frühere Interaktionen erinnert (episodisches Gedächtnis). Es hilft dabei, von der Architektur zu konkreten Anwendungen zu gelangen. Das Skill bietet Entscheidungsbäume, um festzustellen, ob ein persistenter Agent den Aufwand lohnt (ROI-Rechnung), welche Anwendungskategorie passt (z.B. Entwickler-Begleiter, Persönlicher Assistent) und wie der Scope sinnvoll eingegrenzt wird. Es behandelt auch typische Fehlermodi wie halluzinierte Erinnerungen oder Kostenexplosion und gibt konkrete Beispiele, z.B. wie man einen Agenten baut, der PR-Beschreibungen generiert. Das Skill ist für die Planung und Konzeption gedacht, nicht für den Architekturaufbau (dafür gibt es separate Skills).

Funktioniert mit~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/always-on-agent-applications

In Ihrer bevorzugten KI fragen

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

Dokumentation

/always-on-agent-applications – Was Persistenz + Gedächtnis wirklich ermöglicht

Du hilfst jemandem herauszufinden, was er mit einem ständig aktiven KI-Agenten bauen kann, der ein episodisches Gedächtnis hat. Dies ist das „und jetzt?“-Skill – die Architektur existiert, die Eingaben fließen, aber was macht es eigentlich, was ein zustandsloser Chatbot nicht kann?

Entscheidungspunkte

1. Entscheidungsbaum: Ständig aktiv vs. Sitzungsbasiert

Aufgabenanforderung bewerten:
├─ Aufgabe benötigt Gedächtnis über Sitzungen hinweg?
│  └─ Nein → Sitzungsbasierten Agenten verwenden (günstiger, einfacher)
│  └─ Ja ↓
├─ Aufgabe profitiert von proaktivem Verhalten?
│  └─ Nein → Geplanten Agenten mit Gedächtnis verwenden
│  └─ Ja ↓
├─ [Persistenz-ROI] > [Infrastrukturkosten]?
│  └─ Nein → Mit sitzungsbasiertem Ansatz starten, später upgraden
│  └─ Ja ↓
├─ Domäne eng genug für qualitativ hochwertiges Gedächtnis?
│  └─ Nein → Umfang eingrenzen (nur Meetings, nur Code)
│  └─ Ja → Ständig aktiven Agenten bauen

ROI-Berechnung:

  • Persistenz-ROI = (Aufgabenhäufigkeit × Zeitersparnis pro Aufgabe × Nutzerwert pro Stunde)
  • Infrastrukturkosten = (Serverkosten + Speicher für Gedächtnis + Entwicklungszeit)

Wenn ROI > 3-fache Kosten: Ständig aktiven Agenten bauen Wenn ROI 1-3-fache Kosten: Sitzungsbasiert starten, zuerst Wert beweisen Wenn ROI < 1-fache Kosten: Vorhandene Tools verwenden

2. Auswahl der Anwendungskategorie

Nutzer fragt „Was soll ich bauen?“:
├─ Primärer Workflow ist Programmieren?
│  └─ Ja → Entwickler-Begleiter-Muster
│  └─ Nein ↓
├─ Primäres Bedürfnis ist Meeting-/Kommunikationsaufwand?
│  └─ Ja → Persönlicher Chief-of-Staff-Muster
│  └─ Nein ↓
├─ Primäres Ziel ist Lernen/Wissensarbeit?
│  └─ Ja → Lerntagebuch-Muster
│  └─ Nein ↓
├─ Fokus liegt auf Gesundheits-/Gewohnheitstracking?
│  └─ Ja → Gesundheitsbeobachter-Muster (hohe Sicherheitsempfindlichkeit)
│  └─ Nein → Projektorchestrator oder Ambient Intelligence

3. Grenzen des Umfangs festlegen

Nutzer schlägt multi-domänen Agenten vor:
├─ Ist dies ihr erster persistenter Agent?
│  └─ Ja → Einzelne Vertikale erzwingen (stärksten ROI wählen)
│  └─ Nein ↓
├─ Haben sie >6 Monate Entwicklungszeit?
│  └─ Nein → Nur einzelne Vertikale
│  └─ Ja ↓
├─ Können sie Erfolgsmetriken für jede Domäne definieren?
│  └─ Nein → Umfang reduzieren, bis sie es können
│  └─ Ja → Multi-Domäne mit stufenweiser Ausrollung erlauben

4. Kalibrierung des proaktiven Verhaltens

Unterbrechungshäufigkeit des Agenten konfigurieren:
├─ Arbeitsstil des Nutzers sind tiefe Fokusblöcke?
│  └─ Ja → Benachrichtigungen bündeln, Fokussignale respektieren
│  └─ Nein ↓
├─ Nutzer wünscht explizit intensive Betreuung?
│  └─ Ja → Echtzeit-Unterbrechungen mit Relevanzschwelle zulassen
│  └─ Nein ↓
├─ Standard: 80 % reaktiv, 15 % passiv proaktiv, 5 % aktiv proaktiv

Fehlermodi

1. Syndrom des halluzinierten Gedächtnisses

Symptome: Der Agent bezieht sich selbstbewusst auf Gespräche oder Ereignisse, die nie stattgefunden haben Erkennungsregel: Wenn der Agent spezifische Zitate/Daten/Fakten behauptet, aber keinen genauen Quellzeitstempel liefern kann Ursache: Schlechte Gedächtnisgrenzen zwischen abgerufenen Kontext und generierten Antworten Behebung: Strenge Gedächtniszitieranforderungen implementieren – der Agent muss jede Behauptung mit einem bestimmten Gedächtniseintrag und Zeitstempel verknüpfen

2. Gedächtnisverschmutzungs-Kaskade

Symptome: Die Leistung des Agenten verschlechtert sich mit der Zeit, widersprüchliche Informationen in Antworten Erkennungsregel: Wenn der Agent innerhalb von 7 Tagen widersprüchliche Ratschläge zum gleichen Thema gibt, ohne die Änderung zu erwähnen Ursache: Beobachtungen geringer Qualität sammeln sich schneller an als wertvolle Signale Behebung: Gedächtnishygiene implementieren: Relevanzbewertung, automatische Verdichtung, vom Nutzer ausgelöste Gedächtnisbereinigung

3. Kostensteigerungs-Explosion

Symptome: Monatliche Rechnungen steigen um 30 %+, ohne proportionalen Wertzuwachs Erkennungsregel: Wenn die Kosten pro nützlicher Interaktion über 30 Tage um 50 %+ über dem Ausgangswert liegen Ursache: Der Agent verarbeitet zu viele minderwertige Eingaben (Benachrichtigungen, Spam, automatisierte E-Mails) Behebung: Eingabefilter-Pipeline, Gedächtniszugriffsbudgets, proaktives Kostenmonitoring mit automatischer Drosselung

4. Lähmung durch Scope Creep

Symptome: Der Agent versucht alles zu handhaben, ist in nichts hervorragend, Nutzer gibt nach 2 Wochen auf Erkennungsregel: Wenn der Agent >5 verschiedene Anwendungsvertikalen ohne klare Erfolgsmetriken für jede hat Ursache: Bau eines „allgemeinen Assistenten“ statt eines fokussierten Tools Behebung: Einzelne Vertikale als Start erzwingen, Abschlusskriterien für Erweiterung festlegen

5. Datenschutzverletzungs-Drift

Symptome: Der Agent teilt versehentlich sensible Informationen über Kontexte hinweg Erkennungsregel: Wenn der Agent persönliche/berufliche Details im falschen Kontext erwähnt (Arbeitsinfo im privaten Chat) Ursache: Gedächtnisgrenzen entsprechen nicht den Datenschutzerwartungen des Nutzers Behebung: Kontextisolierung, explizite Gedächtnis-Kompartimentierung, regelmäßige Datenschutz-Audits

Durchgearbeitete Beispiele

Beispiel: Bau eines Entwickler-Begleiter-Agenten

Szenario: Softwareentwickler möchte, dass der Agent bei Code-Reviews und PR-Beschreibungen hilft

Schritt 1 – Umfangsdefinition

  • Nutzer: „Ich möchte eine KI, die mir hilft, besser zu programmieren“
  • Entscheidungsbaum anwenden: Programmier-Workflow = Entwickler-Begleiter-Muster
  • Umfang eingrenzen: „Nur PR-Beschreibungsgenerierung“ (nicht vollständiger Programmierassistent)

Schritt 2 – ROI-Berechnung

  • Aufgabenhäufigkeit: 3 PRs/Tag × 5 Tage = 15 PRs/Woche
  • Zeitersparnis: 5 Min pro PR-Beschreibung = 75 Min/Woche = 65 Stunden/Jahr
  • Nutzerwert: 150 €/Stunde × 65 Stunden = 9.750 €/Jahr
  • Infrastrukturkosten: ~50 €/Monat = 600 €/Jahr
  • ROI = 16x → Ständig aktiven Agenten bauen

Schritt 3 – Gedächtnisstrategie

  • Kerngedächtnis: Aktueller Feature-Branch, die letzten 5 Commits, aktuelle Gespräche über Codeänderungen
  • Abrufgedächtnis: PR-Vorlagen, die der Nutzer bevorzugt, Reviewer-Feedback-Muster, Projektcodierungsstandards
  • Archiv: Historische PRs, Team-Kommunikationsstil, Projektentscheidungen und Begründungen

Schritt 4 – Trigger-Design

triggers:
  - git_push_to_feature_branch: PR-Beschreibung entwerfen
  - pr_opened: Beschreibung mit Kontext erweitern
  - code_review_received: Feedback-Muster für die Zukunft protokollieren

Schritt 5 – Qualitätsgates

  • PR-Beschreibungen enthalten tatsächliche Begründung (keine generischen Zusammenfassungen)
  • Agent verweist auf spezifische Commits/Dateien
  • 80 % der generierten Beschreibungen erfordern <2 Minuten Bearbeitung
  • Agent erkennt korrekt, wenn ein PR mehrere Belange umfasst

Was ein Anfänger übersehen würde: Mit „KI-Programmierassistent für alles“ zu starten Was ein Experte erkennt: Fokussierung auf einen einzigen hochwertigen Workflow (PR-Beschreibungen), bei dem Persistenz einen klaren Vorteil gegenüber zustandslosen Lösungen schafft

Qualitätsgates

Das Anwendungsdesign ist abgeschlossen, wenn alle Bedingungen erfüllt sind:

  • Klare ROI-Berechnung mit >3-facher Kostenersparnis
  • Einzelne Vertikale mit definierten Grenzen
  • Gedächtniswachstum begrenzt mit Verdichtungsstrategie
  • Proaktives Verhalten konfiguriert (<20 % aller Interaktionen)
  • Erfolgsmetriken definiert und messbar
  • Datenschutzgrenzen des Nutzers explizit abgebildet
  • Kaltstart-Erfahrung funktioniert ohne angesammeltes Gedächtnis
  • Notausschalter für die Gedächtniskontrolle des Nutzers implementiert
  • Kostenmonitoring mit automatischen Drosselungsschwellen eingestellt
  • Abschlusskriterien für Umfangserweiterung definiert

NICHT-FÜR-Grenzen

Dieses Skill NICHT verwenden für:

  • Die Gedächtnisarchitektur bauen → Stattdessen always-on-agent-architecture verwenden
  • Eingabequellen und Trigger entwerfen → Stattdessen always-on-agent-inputs verwenden
  • Sicherheits-, Datenschutz- und Kostenbedenken → Stattdessen always-on-agent-safety verwenden
  • Allgemeine Agentenmuster und Schleifen → Stattdessen agentic-patterns verwenden
  • KI-Sicherheitsrisiken bewerten → Stattdessen ai-safety-engineer verwenden
  • Technische Infrastrukturentscheidungen → Stattdessen systems-architecture verwenden

An andere Skills delegieren, wenn der Nutzer fragt:

  • „Wie speichere ich episodisches Gedächtnis?“ → always-on-agent-architecture
  • „Welche Daten sollte mein Agent überwachen?“ → always-on-agent-inputs
  • „Ist das sicher/datenschutzkonform?“ → always-on-agent-safety
  • „Wie baue ich Agentenschleifen?“ → agentic-patterns

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