Communitygithub.com

Agentic OS

Construye sistemas operativos multi-agente persistentes en Claude Code. Cubre arquitectura de kernel, agentes especialistas, comandos slash, memoria basada en archivos, automatización programada y gestión de estado sin bases de datos externas.

¿Qué es Agentic OS?

Agentic OS es un skill que transforma Claude Code en un sistema operativo persistente para agentes de IA, ideal para desarrolladores que construyen flujos de trabajo multi-agente complejos. Se basa en una arquitectura de cuatro capas: el kernel (archivo CLAUDE.md) define identidad, reglas de enrutamiento y registro de agentes; los agentes especializados (archivos markdown en `agents/`) ejecutan tareas específicas; los comandos slash (en `.claude/commands/`) proporcionan flujos de trabajo reutilizables; y los scripts (en `scripts/`) manejan automatización programada vía cron externo. La memoria es completamente basada en archivos (JSON y markdown) en lugar de bases de datos externas, lo que permite que el contexto sobreviva a sesiones reiniciadas. El skill es compatible con Claude Code y plataformas similares, ofreciendo una alternativa sencilla y declarativa a sistemas más complejos como bases vectoriales o PostgreSQL, con patrones claros para evitar antipatrones comunes como agentes monolíticos o estado sin persistencia.

Compatible con✓Claude Code✓Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/agentic-os

Preguntar en tu IA favorita

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

Documentación

¿Qué hace Agentic OS?

Trata a Claude Code como un runtime / sistema operativo persistente en lugar de una sesión de chat. Este skill codifica la arquitectura utilizada por configuraciones agentic de producción: un kernel que enruta tareas a agentes especialistas, memoria persistente basada en archivos, automatización programada y una capa de datos JSON/markdown.

Cuándo activarlo

  • Construir un flujo de trabajo multi-agente dentro de Claude Code
  • Configurar automatización persistente de Claude Code que sobreviva a reinicios de sesión
  • Crear un "SO personal" o "SO agentic" para tareas recurrentes
  • El usuario dice "SO agentic", "SO personal", "multi-agente", "coordinador de agentes", "agente persistente"
  • Estructurar proyectos de larga duración donde el contexto debe sobrevivir entre sesiones

Resumen de arquitectura

El SO Agentic tiene cuatro capas. Cada capa es un directorio en la raíz del proyecto.

raiz-del-proyecto/
├── CLAUDE.md          # Kernel: identidad, reglas de enrutamiento, registro de agentes
├── agents/            # Definiciones de agentes especialistas (prompts markdown)
├── .claude/commands/  # Comandos slash: CLI para el usuario
├── scripts/           # Scripts daemon: tareas programadas o basadas en eventos
└── data/              # Estado: sistema de archivos JSON/markdown, sin BD externa

Responsabilidades de las capas

CapaPropósitoPersistencia
Kernel (CLAUDE.md)Identidad, enrutamiento, políticas de modelo, registro de agentesGit-tracked
Agentes (agents/)Identidades especialistas con herramientas y memoria limitadasGit-tracked
Comandos (.claude/commands/)Comandos slash para el usuario (/daily-sync, /outreach)Git-tracked
Scripts (scripts/)Daemons Python/JS activados por cron o webhooksGit-tracked
Estado (data/)Registros de solo añadir, estado del proyecto, registros de decisionesGit-ignored o tracked

El Kernel

CLAUDE.md es el kernel. Actúa como el COO / orquestador. Claude lo lee al inicio de la sesión y lo usa para enrutar el trabajo.

Estructura del Kernel

# CLAUDE.md - Kernel del SO Agentic

## Identidad
Eres el COO de [nombre-del-proyecto]. Enrutas tareas a agentes especialistas.
Nunca escribes código directamente. Delegas al agente correcto y sintetizas resultados.

## Registro de Agentes

| Agente | Rol | Disparador |
|---|---|---|
| @dev | Código, arquitectura, depuración | El usuario dice "construir", "arreglar", "refactorizar" |
| @writer | Documentación, contenido, correos | El usuario dice "escribir", "borrador", "blog" |
| @researcher | Investigación, análisis, verificación de hechos | El usuario dice "investigar", "analizar", "comparar" |
| @ops | DevOps, despliegue, infraestructura | El usuario dice "desplegar", "CI", "servidor" |

## Reglas de enrutamiento
1. Analiza la solicitud del usuario en busca de palabras clave de intención
2. Coincide con la columna de disparadores del Registro de Agentes
3. Carga el archivo del agente correspondiente desde `agents/<nombre>.md`
4. Entrega la ejecución con contexto completo
5. Sintetiza y presenta el resultado al usuario

## Políticas de modelo
- Modelo predeterminado: usar el repositorio o el valor predeterminado del harness.
- Tareas @dev: preferir un modelo de razonamiento superior para arquitectura compleja.
- Tareas @researcher: usar el modelo con capacidad de investigación configurado y las herramientas de búsqueda aprobadas.
- Límite de costo: advertir antes de superar el umbral de gasto configurado del proyecto.

Principio clave

El kernel debe ser pequeño y declarativo. La lógica de enrutamiento vive en tablas markdown simples, no en código. Esto hace que el sistema sea inspeccionable y editable sin depuración.

Agentes Especialistas

Cada agente es un archivo markdown independiente en agents/. Claude carga el archivo del agente relevante al enrutar una tarea.

Formato de definición de agente

# @dev - Ingeniero de Software

## Identidad
Eres un ingeniero de software senior. Escribes código limpio, probado y de calidad de producción.
Prefieres soluciones simples. Haces preguntas aclaratorias cuando los requisitos son ambiguos.

## Alcance de memoria
- Lee `data/projects/<proyecto-actual>.md` para contexto
- Lee `data/decisions/` para decisiones arquitectónicas
- Añade registros de ejecución a `data/logs/<fecha>[email protected]`

## Acceso a herramientas
- Acceso completo al sistema de archivos dentro de la raíz del proyecto
- Operaciones Git (status, diff, commit, branch)
- Acceso al ejecutor de pruebas
- Servidores MCP según configurado en `.claude/mcp.json`

## Restricciones
- Siempre escribe pruebas para nuevas funcionalidades
- Nunca hagas commit directamente a `main`; usa ramas de características
- Prefiere editar archivos existentes sobre crear nuevos
- Mantén las funciones por debajo de 50 líneas cuando sea posible

Patrón de colaboración multi-agente

Cuando una tarea abarca varios agentes, el kernel los ejecuta secuencialmente o en paralelo:

Usuario: "Construye una página de aterrizaje y escribe la publicación del blog de lanzamiento"

Enrutamiento del kernel:
1. @dev - "Construye una página de aterrizaje con [requisitos]"
2. @writer - "Escribe una publicación de blog de lanzamiento para [producto] usando el texto de la página de aterrizaje"
3. El kernel sintetiza ambas salidas en una respuesta unificada

Para ejecución paralela, usa la capacidad de tareas en segundo plano de Claude Code o scripts shell que invocan Claude Code con contextos de agente específicos.

Comandos y flujos de trabajo diarios

Los comandos slash son archivos markdown en .claude/commands/. Definen flujos de trabajo reutilizables.

Estructura del comando

# /daily-sync

Ejecuta la reunión matutina:

1. Lee `data/logs/last-sync.md` para contexto
2. Verifica el estado del proyecto: `git status`, PRs pendientes, salud de CI
3. Revisa `data/inbox/` en busca de nuevas tareas o decisiones necesarias
4. Genera un resumen de bloqueos, prioridades y próximas acciones
5. Añade el informe a `data/logs/daily/<fecha>.md`

Conjunto estándar de comandos

ComandoPropósito
/daily-syncReunión matutina: estado, bloqueos, prioridades
/outreachEjecutar flujo de outreach (correo, LinkedIn, etc.)
/research <tema>Investigación profunda con seguimiento de citas
/apply-jobsPersonalizar CV + carta de presentación para un rol objetivo
/analyticsObtener métricas de Stripe, GitHub u orígenes personalizados
/interview-prepGenerar tarjetas de estudio o preguntas de entrevista simulada
/decision <tema>Registrar una decisión con pros/contra y ruta elegida

Cómo activar comandos

Coloca archivos de comando en .claude/commands/<nombre-comando>.md. Claude Code los descubre automáticamente. Los usuarios los invocan con /<nombre-comando>.

Memoria persistente

La memoria se basa en archivos. Sin BD vectorial, sin Redis, sin PostgreSQL. Los archivos JSON y markdown en data/ son la base de datos.

Estructura del directorio de memoria

data/
├── daily-logs/         # Registros de actividad diaria de solo añadir
├── projects/           # Archivos de contexto por proyecto
├── decisions/          # Decisiones arquitectónicas y de negocio (formato ADR)
├── inbox/              # Nuevas tareas o ideas pendientes de clasificación
├── contacts/           # Personas, empresas, notas de relaciones
└── templates/          # Prompts y formatos reutilizables

Formato del registro diario

# 2026-04-22 - Registro Diario

## Sesiones
- 09:00 - Sesión 1: Refactorización del módulo de autenticación (@dev)
- 11:30 - Sesión 2: Redacción de actualización para inversores (@writer)

## Decisiones
- Cambio de JWT a cookies de sesión (ver `data/decisions/2026-04-22-auth.md`)

## Bloqueos
- Esperando clave API del proveedor (seguimiento 2026-04-24)

## Próximas Acciones
- [ ] Fusionar PR de refactorización de autenticación
- [ ] Enviar actualización para inversores para revisión

Patrón de autorreflexión

Al final de cada sesión, el kernel añade una reflexión:

## Reflexión - Sesión 3
- Lo que funcionó: La ejecución paralela de agentes ahorró 20 minutos
- Lo que no: @researcher encontró una fuente detrás de muro de pago, se necesita mejor clasificación de fuentes
- Qué cambiar: Añadir campo `source-tier` a las notas de investigación (credibilidad A/B/C)

Esto crea un bucle de retroalimentación que mejora el sistema con el tiempo sin cambios de código.

Automatización programada

Las tareas del SO Agentic se ejecutan según un horario usando cron externo, no el cron integrado de Claude Code (que muere cuando la sesión termina).

macOS: LaunchAgent

<!-- ~/Library/LaunchAgents/com.agentic.daily-sync.plist -->
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple//DTD PLIST 1.0//EN" ...>
<plist version="1.0">
<dict>
    <key>Label</key>
    <string>com.agentic.daily-sync</string>
    <key>ProgramArguments</key>
    <array>
        <string>/claude</string>
        <string>--cwd</string>
        <string>/path/to/project</string>
        <string>--command</string>
        <string>/daily-sync</string>
    </array>
    <key>StartCalendarInterval</key>
    <dict>
        <key>Hour</key>
        <integer>8</integer>
        <key>Minute</key>
        <integer>0</integer>
    </dict>
    <key>StandardOutPath</key>
    <string>/tmp/agentic-daily-sync.log</string>
</dict>
</plist>

Linux: systemd Timer

# ~/.config/systemd/user/agentic-daily-sync.service
[Unit]
Description=Sincronización Diaria del SO Agentic

[Service]
Type=oneshot
ExecStart=/usr/local/bin/claude --cwd /path/to/project --command /daily-sync
# ~/.config/systemd/user/agentic-daily-sync.timer
[Unit]
Description=Ejecutar sincronización diaria cada mañana

[Timer]
OnCalendar=*-*-* 8:00:00
Persistent=true

[Install]
WantedBy=timers.target

Multiplataforma: pm2

# ecosystem.config.js
module.exports = {
  apps: [{
    name: 'agentic-daily-sync',
    script: 'claude',
    args: '--cwd /path/to/project --command /daily-sync',
    cron_restart: '0 8 * * *',
    autorestart: false
  }]
};

Capa de datos

La capa de datos es tu sistema de archivos. Usa JSON para datos estructurados y markdown para contenido narrativo.

JSON para estado estructurado

// data/projects/website-v2.json
{
  "name": "Website v2",
  "status": "en-progreso",
  "milestone": "lanzamiento-beta",
  "agents_involved": ["@dev", "@writer"],
  "files": {
    "spec": "docs/website-v2-spec.md",
    "design": "designs/website-v2.fig"
  },
  "metrics": {
    "commits": 47,
    "last_session": "2026-04-22T11:30:00Z"
  }
}

Markdown para narrativa

Usa markdown para cualquier cosa que un humano lea: decisiones, registros, notas de investigación, registros de contactos.

Evolución del esquema

Nunca renombres campos existentes. Añade nuevos campos y marca los antiguos como obsoletos:

{
  "name": "Website v2",
  "status": "en-progreso",
  "milestone": "lanzamiento-beta",
  "_deprecated_priority": "alta",
  "priority_v2": { "level": "alta", "rationale": "Bloquea demo para inversores" }
}

Esto mantiene los datos históricos legibles sin scripts de migración.

Antipatrones

Agente único monolítico

# MALO - Un agente hace todo
Eres un desarrollador full-stack, escritor, investigador e ingeniero DevOps.

Divide en agentes especialistas. El kernel maneja el enrutamiento.

Sesiones sin estado

# MALO - Sin memoria entre sesiones
Empezando desde cero cada vez que se abre Claude Code.

Siempre lee data/ al inicio de la sesión y escribe al final.

Credenciales hardcodeadas

# MALO - Claves API en archivos de agente o CLAUDE.md
Tu clave API de OpenAI es sk-xxxxxxxx

Usa variables de entorno o un archivo .env cargado por scripts. Los agentes referencian process.env.API_KEY.

Base de datos externa para estado simple

# MALO - PostgreSQL para el SO agentic de un usuario individual

Usa archivos JSON/markdown hasta que tengas múltiples usuarios concurrentes o GBs de datos.

Enrutamiento sobrediseñado

# MALO - Lógica de enrutamiento en código en lugar de tablas markdown
if (intent.includes('deploy')) { agent = opsAgent; }

Mantén el enrutamiento declarativo en tablas markdown de CLAUDE.md. Es inspeccionable, editable y depurable.

Buenas prácticas

  • CLAUDE.md tiene menos de 200 líneas y cabe en la ventana de contexto
  • Cada archivo de agente tiene menos de 100 líneas y se centra en un dominio
  • data/ está git-ignored para registros sensibles, git-tracked para decisiones y especificaciones
  • Los comandos usan nombres imperativos: /daily-sync, no /run-daily-sync
  • Los registros son de solo añadir; nunca editar registros diarios pasados
  • Cada agente tiene una sección Memory Scope que define qué archivos lee
  • Las reflexiones se escriben al final de cada sesión
  • Las tareas programadas usan cron externo (LaunchAgent, systemd, pm2), no el cron de sesión de Claude Code
  • Seguimiento de costos: registra el gasto de API por sesión en data/logs/<fecha>-costs.json
  • Un proyecto = un SO Agentic. No compartas un solo CLAUDE.md entre proyectos no relacionados.

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

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.

Skills relacionados