Communitygithub.com

curiositech/windags-skills

Systematische Methodik zur Erhebung, Darstellung und Operationalisierung kognitiver Expertenfähigkeiten – Mustererkennung, Situationsbeurteilung, mentale Simulation – von Praktikern ohne Forschungshintergrund. Überbrückt akademische Gründlichkeit und praktische Anwendbarkeit.

Was ist windags-skills?

Dieser Skill implementiert die Methodik der Angewandten Kognitiven Aufgabenanalyse (ACTA), ein systematisches Framework, um das implizite Wissen von Fachexperten – wie Mustererkennung, Situationsbeurteilung und mentale Simulation – zu extrahieren und in operationalisierbare Form zu bringen. Er ist besonders nützlich für Entwickler und Nutzer von KI-Agenten, die kognitive Expertenfähigkeiten in trainierbare Modelle (z. B. für Claude Code, Cursor oder benutzerdefinierte Agenten) übersetzen möchten. Der Skill bietet detaillierte Entscheidungspunkte, um Interviewstrategien an Expertenantworten anzupassen, und behandelt typische Fehlermodi wie ‚Rubber Stamp Elicitation‘ oder ‚Transcript Worship‘. Anhand von Arbeitsbeispielen (Notfalltriage, Sicherheitsinspektion) wird gezeigt, wie kognitive Anforderungen in Agentenfähigkeiten abgebildet werden, einschließlich Qualitätstore und Abgrenzungen zu anderen Methoden.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/applied-cognitive-task-analysis-acta-met

In Ihrer bevorzugten KI fragen

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

Dokumentation

SKILL: Angewandte Kognitive Aufgabenanalyse (ACTA) Methodik

Name: ACTA – Extraktion und Anwendung kognitiven Expertenwissens Beschreibung: Systematische Methodik zur Erhebung, Darstellung und Operationalisierung kognitiver Expertenfähigkeiten – Mustererkennung, Situationsbeurteilung, mentale Simulation – von Praktikern ohne Forschungshintergrund. Überbrückt akademische Gründlichkeit und praktische Anwendbarkeit.

ENTSCHEIDUNGSPUNKTE

Expertenantwortmuster → Interview-Pivot-Strategie

Art der ExpertenantwortErkennungssignalNächste Sondierungsaktion
Vage Verallgemeinerung„Man entwickelt ein Gefühl dafür“ / „Erfahrung lehrt einen“→ Vorfallskonkretisierung: „Führen Sie mich durch das letzte Mal, als...“
Prozessuale Aufzählung„Zuerst mache ich X, dann Y, dann Z...“→ Kognitive Dimension erfragen: „Was sagt Ihnen, dass es Zeit für den nächsten Schritt ist?“
Abstrakte Prinzipien„Sicherheit hat immer Vorrang“ / „Fokus auf den Kunden“→ Kontrastierendes Beispiel: „Zeigen Sie mir zwei Fälle – einen, in dem das zutrifft, und einen, in dem es nicht zutrifft“
Widerspricht anderem Experten„Mach niemals X“ (während Experte 2 sagte „Immer X“)→ Bedingte Erkundung: „Unter welchen Umständen ist X angemessen?“
Beschreibt Ergebnisse„Dann funktioniert das System besser“ / „Die Qualität verbessert sich“→ Hinweiserkennung: „Was bemerken Sie, das Ihnen sagt, dass es funktioniert?“

Wissensaudit-Dimensionsauswahl

WENN Experte „Muster sehen“ oder „Dinge bemerken“ erwähnt
  DANN untersuchen Sie Wahrnehmungsfähigkeiten
    → „Zeigen Sie mir zwei X – einen normalen, einen problematischen. Was unterscheidet sich?“

WENN Experte „herausfinden, was passiert ist“ oder „Ergebnisse vorhersagen“ erwähnt  
  DANN untersuchen Sie mentale Simulation
    → „Was muss passiert sein, damit...“ / „Wenn Sie X täten, was wäre das Ergebnis?“

WENN Experte „mehrere Faktoren im Auge behalten“ oder „das große Ganze“ erwähnt
  DANN untersuchen Sie Situationsbewusstsein
    → „Welche Beziehungen überwachen Sie?“ / „Welche Trends sind wichtig?“

WENN Experte erwähnt „wenn Standardverfahren nicht funktionieren“
  DANN untersuchen Sie Improvisation
    → „Erzählen Sie mir von einem Mal, als das SOP versagte“ / „Wie passen Sie sich an?“

WENN Experte erwähnt „wissen, wann man falsch liegt“ oder „sich selbst hinterfragen“
  DANN untersuchen Sie Metakognition
    → „Wie bemerken Sie Ihre eigenen Fehler?“ / „Wann suchen Sie Hilfe?“

Strategie zur Befüllung der Tabelle kognitiver Anforderungen

Identifikation schwieriger Elemente:
  WENN mehrere Experten Schwierigkeiten haben, denselben Aspekt zu artikulieren
    DANN hohe kognitive Anforderung
  WENN Anfänger trotz Schulung konsequent hier scheitern
    DANN expertiseabhängiges Element
  WENN Standardverfahren in diesem Bereich versagen
    DANN kognitive Fähigkeit erforderlich

Analyse „Warum schwierig“:
  WENN Anfänger Wahrnehmungshinweise übersehen → „Fehlende Mustererkennung für...“
  WENN Anfänger die falsche Strategie anwenden → „Kann Situationstypen nicht unterscheiden...“  
  WENN Anfänger Tunnelblick haben → „Konzentriert sich auf einen einzelnen Faktor statt...“
  WENN Anfänger erstarren → „Kein mentales Modell für...“

Extraktion von Hinweisen/Strategien:
  WENN Experte sagt „Ich weiß es einfach“ → nach spezifischen beobachtbaren Indikatoren fragen
  WENN Experte mehrere Ansätze nennt → situative Auslöser identifizieren
  WENN Experte „Erfahrung“ erwähnt → Musterbeispiele extrahieren

FEHLERMODI

Abstempelerhebung

Erkennung: Experteninterviews liefern nur prozessuale Beschreibungen oder Standardantworten. Keine kognitiven Erkenntnisse. Symptome: Transkripte lesen sich wie SOPs. Experten sagen „einfach dem Prozess folgen“. Keine Erwähnung von Urteilsvermögen, Anpassung oder situativen Faktoren. Ursache: Abstrakte Befragung löst rationalisierte Antworten aus, nicht die tatsächliche Denkweise des Experten. Behebung: Wechsel zur vorfallsbasierten Befragung. „Führen Sie mich durch das letzte Mal, als...“ Stellen Sie alle Fragen auf konkrete Szenarien ab.

Einzelexperten-Orakel

Erkennung: Designentscheidungen basieren auf dem Ansatz eines einzigen Experten, der als universelle Wahrheit behandelt wird. Symptome: „Der Experte sagt, mach immer X“ ohne Bedingungsdenken. Keine Variation zwischen Experten dokumentiert. Ursache: Behandlung individueller Expertise als Domänenexpertise. Fehlende situative Abhängigkeiten. Behebung: 3–5 Experten interviewen. Bei Konflikten zwischen Ansätzen Bedingungen erfragen: „Unter welchen Umständen würden Sie es anders machen?“

Transkript-Anbetung

Erkennung: Rohe Interviewnotizen werden als endgültiges Ergebnis behandelt. Keine Transformation in handlungsorientierte Darstellung. Symptome: Stunden Interviewaudio ohne strukturierte Ausgabe. Analyse endet bei „wir haben ihr Wissen erfasst“. Ursache: Verwechslung von Datensammlung mit Wissensextraktion. Behebung: Transformation durch Tabelle kognitiver Anforderungen erzwingen. Kann nicht abgeschlossen werden, ohne schwierige Aspekte zu identifizieren, zu erklären, warum sie schwierig sind, Hinweise/Strategien zu extrahieren.

Vollständigkeitslähmung

Erkennung: Projekt steckt fest beim Warten auf „vollständige“ Erfassung der Expertise, bevor etwas gebaut wird. Symptome: Endlose zusätzliche Interviews. „Wir müssen zuerst alles verstehen.“ Kein Implementierungszeitplan. Ursache: Perfektionismus verhindert pragmatische Bereitstellung. Akademische Standards auf praktische Probleme angewendet. Behebung: Ausreichende Expertise für erste Fähigkeiten extrahieren. Mit Überwachung und Iterationszyklen bereitstellen. 70 % Abdeckung ermöglicht wertvolle Anwendungen.

Prozeduralisierungs-Fantasie

Erkennung: Versuche, Expertenurteile in Entscheidungsbäume oder Regelwerke zu konvertieren. Symptome: Komplexe Verzweigungslogik, die das tatsächliche Denken des Experten nicht erfasst. Regeln, die in neuartigen Situationen brechen. Ursache: Behandlung von Expertise als verfeinerte Prozedur statt Mustererkennung. Behebung: Musterklassifikation und Situationsbeurteilungsfähigkeiten aufbauen. Fokus auf „Was für eine Situation ist das?“ nicht „Was ist die vorgeschriebene Handlung?“

ARBEITSBEISPIELE

Beispiel 1: Notfallpflege-Triage

Kontext: Krankenhaus muss Triage-Genauigkeit verbessern. Pflegekräfte mit 2+ Jahren Erfahrung übertreffen neue Absolventen deutlich bei der Prioritätenzuweisung von Patienten.

Aufgabendiagramm-Phase: Erstinterview zeigt Standard-Triage-Verfahren: Vitalparameter → Protokollnachschlag → Prioritätenzuweisung. Aber Experten erwähnen Entscheidungen nach dem „Gefühl, dass etwas nicht stimmt“, die Anfänger übersehen.

Wissensaudit-Phase: Sondierung: „Zeigen Sie mir zwei Patienten mit ähnlichen Vitalparametern – einen, den Sie beschleunigen würden, einen nicht.“ Expertenantwort: „Dieser [zeigt auf Fall] hat normalen Blutdruck und Puls, aber sehen Sie die Hautfarbe und wie sie sich positioniert. Sehen Sie, wie sie sich nach vorne lehnt? Das ist Atemnot-Kompensation.“ Nachfrage: „Was würde eine neue Pflegekraft übersehen?“ Expertenantwort: „Sie würden normale Vitalwerte sehen und sie in die normale Warteschlange schicken. Sie erkennen das Positionierungsmuster oder die Hautveränderungen nicht.“

Simulationsinterview: Szenario präsentieren: 45-jähriger Mann, Brustschmerzen, normale Vitalwerte, sagt „fühlt sich wie Sodbrennen an.“ Expertenantwort: „Ich würde nach Ausstrahlung in den Kiefer oder linken Arm fragen. Auch auf Diaphorese achten – Schweißmuster. Männer minimieren häufig Herzsymptome. Selbst bei normalen Vitalwerten erhöht das Beschreibungsmuster das Herzinfarktrisiko.“

Ausgabe der Tabelle kognitiver Anforderungen:

Schwieriges ElementWarum schwierigHinweise/Strategien
Erkennung kompensierter AtemnotVitalparameter erscheinen aufgrund physiologischer Kompensation normalNach-vorne-Beugung, Lippenbremse, Hautveränderungen, Einsatz der Atemhilfsmuskulatur
Erkennung atypischer kardialer PräsentationenStandard-Symptombeschreibungen entsprechen nicht dem LehrbuchMännliche Minimierungsmuster, „Sodbrennen“-Beschreibungen mit Diaphorese, Kiefer-/Armausstrahlung

Agentenfähigkeits-Mapping:

  • Mustererkennungssystem trainiert auf Haltungs-/Positionierungsdaten
  • Hautfarbenanalyse in Kombination mit Vitaltrends
  • Natürliche Sprachverarbeitung für Symptombeschreibungsmuster
  • Risikostratifizierung, die Verhaltenshinweise neben physiologischen Maßen gewichtet

Abwägungsanalyse: Visuelle Mustererkennung erfordert Kamerasysteme vs. Datenschutzbedenken. Verhaltenshinweiserkennung benötigt Trainingsdaten vs. Patienteneinwilligung. Expertenmustererkennung arbeitet mit multimodalen Eingaben, die technisch anspruchsvoll, aber klinisch kritisch sind.

Beispiel 2: Sicherheitsinspektion in der Fertigung

Kontext: Chemiewerk muss Sicherheitschecks vor Inbetriebnahme verbessern. Erfahrene Inspektoren erkennen Gefahren, die prozessuale Checklisten übersehen.

Aufgabendiagramm-Phase: Standardinspektion deckt 47 Checklistenpunkte über Systeme hinweg ab. Aber leitende Inspektoren erwähnen „intuitive“ Gefahrenerkennung, die Vorfälle verhindert.

Wissensaudit-Phase: Sondierung: „Führen Sie mich durch das letzte Mal, als Sie etwas gefunden haben, das nicht auf der Checkliste stand.“ Expertenantwort: „Pumpe lief innerhalb der Spezifikationen, Druck normal, aber das Vibrationsmuster fühlte sich anders an. Nicht lauter – andere Frequenz. Es stellte sich heraus, dass das Lager auszufallen begann. Wäre während des Laufs katastrophal gewesen.“ Nachfrage: „Woher kennen Sie normale Vibrationsmuster?“ Expertenantwort: „Nach 15 Jahren fühlen Sie, wie jede Pumpe läuft. Diese hier hat normalerweise ein glattes Summen. An dem Tag hatte sie eine leichte Rauheit darunter.“

Simulationsinterview: Szenario präsentieren: Alle Checklistenpunkte bestanden, aber ungewöhnlicher Geruch in Einheit 3. Expertenantwort: „Ich würde den Geruch verfolgen. Chemische Gerüche sollten die Gebäudehülle nicht durchdringen. Entweder haben wir ein Leck, das nicht auf den Sensoren registriert wird, oder einen Ausfall des Belüftungssystems. Beide sind ernst, selbst wenn die Messwerte normal erscheinen.“

Ausgabe der Tabelle kognitiver Anforderungen:

Schwieriges ElementWarum schwierigHinweise/Strategien
Erkennung von Geräteverschlechterung vor SensorwarnungenErfordert gelernte Basislinien für normale BetriebsmusterFrequenzänderungen, Klangmusterveränderungen, subtile Leistungsvariationen
Identifizierung von Containment-Fehlern durch sensorische HinweiseChemische Detektionssysteme haben Zeitverzögerung und tote WinkelGeruchsverfolgung, Luftströmungsmusterbewertung, Korrelation mit Umgebungsbedingungen

Agentenfähigkeits-Mapping:

  • Vibrationsanalyse mit gelernten Basislinien für jedes Gerät
  • Chemische Sensornetzwerke mit Mustererkennung für anomale Messwerte
  • Umweltüberwachung, die mehrere sensorische Eingaben korreliert
  • Prädiktive Wartungsalgorithmen, die subtile Verschlechterungsindikatoren gewichten

Abwägungsanalyse: Sensordichte vs. Kostenüberlegungen. Gelernte Basislinien erfordern Betriebshistorie vs. Einsatz neuer Geräte. Menschliche sensorische Integration (Geruch, Vibration, Klang) technisch schwer zu replizieren, aber kritisch für frühe Gefahrenerkennung.

QUALITÄTSTORE

Abschluss der Tabelle kognitiver Anforderungen:

  • Jedes „schwierige Element“ erscheint in mehreren Experteninterviews (keine individuellen Eigenheiten)
  • „Warum schwierig“-Erklärungen sind beobachtbar/testbar (keine zirkulären Argumente wie „erfordert Erfahrung“)
  • „Hinweise/Strategien“ sind spezifisch genug für Trainingsdesign (nicht vage wie „Mustererkennung“)
  • Expertenkonsens zu den wichtigsten kognitiven Anforderungen erreicht (3+ Experten validieren Kernelemente)
  • Agent kann neue Szenarien mit identifizierten Hinweisen klassifizieren (testbare Diskriminierung)
  • Anfängerfehlermodi auf spezifische kognitive Lücken abgebildet (nicht nur „fehlende Ausbildung“)

Interviewqualitätsbewertung:

  • Experte lieferte spezifische Vorfälle, nicht nur allgemeine Prinzipien
  • Kognitive Dimensionen systematisch untersucht (Wahrnehmung, Simulation, Bewusstsein, usw.)
  • Konfliktierende Expertenantworten durch bedingte Erkundung aufgelöst
  • Kontextabhängiges Denken erfasst (wann verschiedene Strategien anzuwenden sind)
  • Implizites Wissen durch strukturierte Sondierungen explizit gemacht

Validierung der praktischen Anwendbarkeit:

  • Nicht-Experten können die Tabelle für Trainingsdesign nutzen, ohne an Interviews teilzunehmen
  • Agentenspezifikationen aus Hinweis-/Strategiebeschreibungen ableitbar
  • Fehlermodi aus der „Warum schwierig“-Analyse vorhersagbar
  • Wissen auf ähnliche Domänen/Anwendungen übertragbar

AUSSCHLUSSGRENZEN

ACTA NICHT verwenden für:

  • Einfache prozessuale Aufgaben: Wenn Experten Prozeduren nur schneller befolgen, stattdessen Prozessverbesserungsmethoden verwenden
  • Gut dokumentierte Domänen: Wenn Expertise bereits in zugänglicher Form erfasst ist, Fokus auf Transfer/Trainingsoptimierung
  • Individuelles Fähigkeitscoaching: Zur Entwicklung der Expertise einer einzelnen Person Mentoring oder zielgerichtete Übungsansätze verwenden
  • Akademische Forschungsanforderungen: Wenn publikationsreife Gründlichkeit benötigt wird, vollständige Kognitive Aufgabenanalyse-Methoden verwenden
  • Echtzeit-Leistungsunterstützung: Für situationsbedingte Hilfe Arbeitshilfen oder Entscheidungsunterstützungssysteme verwenden

Stattdessen delegieren an:

  • Prozessmapping → für Prozessoptimierung
  • Trainingsdesign-Spezialisten → für Curriculumsentwicklung aus ACTA-Ergebnissen
  • Domänenmodellierung → für umfassende Wissensdarstellung
  • Ethnografische Methoden → für kulturelle/organisationale Expertisefaktoren
  • Psychometrische Bewertung → für individuelle Eignungsmessung

ACTA adressiert spezifisch: Extraktion kognitiver Expertise, die überlegene Mustererkennung, Situationsbeurteilung und adaptive Problemlösung ermöglicht, für Trainingsdesign und Agentenspezifikationszwecke.

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