¿Qué hace compound-docs?
Captura problemas resueltos como documentación categorizada con frontmatter YAML para búsqueda rápida.
Descripción
Esta habilidad permite a un agente de IA documentar soluciones a problemas en un formato estructurado, utilizando archivos Markdown con metadatos en frontmatter YAML. Cada documento representa un problema resuelto, con campos como título, descripción, etiquetas, contexto y solución implementada. La información se almacena de manera que pueda ser recuperada ágilmente en el futuro, mejorando la reutilización del conocimiento y la eficiencia en el desarrollo.
Cómo funciona
- El agente identifica un problema que ha sido resuelto durante una sesión de trabajo.
- Captura la solución como un nuevo documento Markdown con frontmatter YAML, incluyendo metadatos relevantes.
- Los documentos se almacenan en una estructura de carpetas categorizada (por ejemplo, por tema o funcionalidad).
- En futuras consultas, el agente puede buscar en estos documentos usando las etiquetas y el frontmatter para encontrar soluciones rápidamente.
Beneficios
- Reutilización del conocimiento: Evita resolver el mismo problema múltiples veces.
- Búsqueda eficiente: El frontmatter YAML permite consultas rápidas por etiquetas, descripciones o contexto.
- Base de conocimiento viva: La documentación crece orgánicamente con cada problema resuelto.
- Compatibilidad: Funciona con Claude Code, Cursor, Codex y otros agentes que manejen archivos Markdown.
Configuración
No se requiere configuración especial. La habilidad espera que exista un directorio (por ejemplo, docs/ o knowledge/) donde se almacenarán los documentos. El agente creará automáticamente la estructura de carpetas si no existe.
Ejemplo de uso
Supongamos que resuelves un problema de rendimiento en una API. El agente podría generar un documento como:
---
title: Optimización de consulta lenta en /api/users
description: Se optimizó la consulta a la base de datos de PostgreSQL usando índices compuestos.
tags:
- rendimiento
- base de datos
- PostgreSQL
- API
context: La consulta tardaba >5s, después de agregar índices compuestos se redujo a <50ms.
solution: Se agregó un índice compuesto en las columnas `status` y `created_at`.
---
# Optimización de consulta lenta en /api/users
Problema: La consulta a la tabla `users` con filtro por `status` y ordenamiento por `created_at` era extremadamente lenta.
Solución: Crear un índice compuesto en `(status, created_at)`. La consulta pasó de 5.2s a 0.045s.
Comandos ejecutados:
```sql
CREATE INDEX idx_users_status_created_at ON users (status, created_at);
Lecciones aprendidas: Revisar siempre el plan de ejecución (EXPLAIN) antes de optimizar.
## Licencia
MIT