Communitygithub.com

ledger-decisión-recursivo

Útil cuando el usuario solicita despliegues repetidos, procesos de decisión marcados, búsqueda de alta dimensión, optimización estocástica, exploración de óptimos locales, comparación de conjuntos o razonamiento recursivo con un rastro de evidencia visible.

¿Qué es ledger-decisión-recursivo?

La habilidad 'Recursive Decision Ledger' proporciona un marco estructurado para realizar procesos de decisión repetitivos y recursivos, como optimización estocástica, búsqueda de alta dimensión o comparación de conjuntos. Es útil cuando el usuario pide 'rollouts' repetidos o razonamiento recursivo con un rastro de evidencia visible. La habilidad define un 'contrato de ledger' que registra cada iteración con identificador, marcas de tiempo, ganadores previos, nueva información y métricas de coherencia. También incluye reglas de promoción seguras que evitan la aprobación automática para operaciones críticas (como trading o despliegues), requiriendo verificación explícita del usuario. El resultado final se presenta en un resumen conciso que prioriza la decisión sobre el dramatismo, haciendo que el proceso sea auditable y controlado.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/recursive-decision-ledger

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Ledger de Decisión Recursivo

Usa esta habilidad cuando el usuario intente forzar computación más profunda mediante despliegues repetidos o indicaciones recursivas estilo "Prime Gauss". Conserva la parte útil: pruebas repetidas, memoria previa, información fresca y marcas explícitas. Elimina la parte insegura: pretender que el bucle demuestra certeza.

Contrato del Ledger

Cada despliegue debe registrar:

  • id del despliegue y marca de tiempo;
  • ganador aceptado previo y lista de seguimiento previa;
  • información fresca ingerida;
  • tamaño del espacio de búsqueda;
  • familias de modelos o heurísticas utilizadas;
  • número de pruebas y número efectivo de pruebas;
  • candidatos principales;
  • marcas de decisión;
  • marcas de coherencia contra el ledger previo;
  • resultado de la puerta de promoción.

Prefiere JSONL para ledgers de solo añadido y Markdown para resúmenes humanos.

Bucle de Despliegue

  1. Carga el ledger previo.
  2. Captura nueva información en el paso de tiempo cero.
  3. Ejecuta la búsqueda acotada.
  4. Marca cada candidato: aceptar, observar, rechazar, decaer observación, o necesita repetición.
  5. Compara ganadores contra ganadores previos y el último despliegue marcado.
  6. Degrada candidatos cuando la deriva, el riesgo de cola, datos obsoletos o una repetición fallida invaliden la marca anterior.
  7. Adjunta artefactos antes de resumir.

Marca de Coherencia

Incluye una marca de coherencia compacta:

Conjunto coincide con ganador previo: true
Recursivo coincide con ganador previo: false
Último despliegue coincide: true
Promoción en vivo permitida: false
Razón: las puertas de repetición y frescura no están satisfechas

Reglas de Promoción

Para trading, asignación de capital, despliegues en producción, migraciones u operaciones destructivas, la confianza recursiva no es aprobación.

Predetermina modo papel, ejecución en seco, solo lectura, vista previa o por etapas a menos que el usuario apruebe explícitamente la acción en vivo y la puerta del repositorio/servicio lo soporte.

Promueve solo cuando:

  • el candidato supera al ganador aceptado previo en la métrica elegida;
  • las comprobaciones de corrección y repetición pasan;
  • los límites de riesgo son explícitos;
  • la evidencia es duradera;
  • el usuario ha aprobado el paso en vivo cuando sea necesario.

Forma del Resumen

Lidera con la decisión, no con el drama:

Despliegue 15 completo. El ganador previo aún se mantiene, pero el borde se deterioró un 17%.
Estado: observar, no en vivo. Siguiente puerta: 20 rellenos de repetición con edad del libro de órdenes fresca por debajo del umbral.

Individual skills in this repo

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

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados