Communitygithub.com

recuperación-iterativa

Patrón para refinar progresivamente la obtención de contexto y resolver el problema de contexto en subagentes. Úsalo cuando un subagente carece del contexto que necesita y la recuperación debe refinarse en múltiples pasadas.

¿Qué es recuperación-iterativa?

El patrón de Recuperación Iterativa resuelve el 'problema de contexto' en flujos de trabajo multi-agente, donde los subagentes desconocen qué contexto necesitan hasta que empiezan a trabajar. En lugar de enviar toda la documentación (excede límites de contexto) o ninguna (deja al agente sin información crítica), este patrón implementa un ciclo de cuatro fases: DESPACHO (consulta inicial amplia para reunir archivos candidatos), EVALUAR (evalúa la relevancia de cada archivo en escala 0-1 e identifica vacíos), REFINAR (actualiza criterios de búsqueda como patrones, palabras clave, exclusiones y áreas de enfoque) y REPETIR (retorna con criterios refinados, máximo 3 ciclos). Es útil para agentes que necesitan explorar código, diseñar pipelines de recuperación tipo RAG u optimizar el uso de tokens. Se integra mediante indicaciones en agentes, recomendando empezar con búsquedas amplias, aprender la terminología del código, rastrear vacíos explícitamente y detenerse con 'suficientemente bueno' (3 archivos de alta relevancia). El patrón es compatible con cualquier plataforma de agentes y se complementa con el skill 'continuous-learning'.

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

Preguntar en tu IA favorita

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

Documentación

Patrón de Recuperación Iterativa

Resuelve el "problema de contexto" en flujos de trabajo multi-agente donde los subagentes no saben qué contexto necesitan hasta que empiezan a trabajar.

Cuándo Activarlo

  • Al generar subagentes que necesitan contexto del código base que no pueden predecir de antemano
  • Al construir flujos de trabajo multi-agente donde el contexto se refina progresivamente
  • Al encontrar fallos de "contexto demasiado grande" o "contexto faltante" en tareas de agentes
  • Al diseñar pipelines de recuperación tipo RAG para exploración de código
  • Al optimizar el uso de tokens en la orquestación de agentes

El Problema

Los subagentes se generan con contexto limitado. No saben:

  • Qué archivos contienen el código relevante
  • Qué patrones existen en el código base
  • Qué terminología usa el proyecto

Los enfoques estándar fallan:

  • Enviarlo todo: Supera los límites de contexto
  • No enviar nada: El agente carece de información crítica
  • Adivinar lo necesario: A menudo es incorrecto

La Solución: Recuperación Iterativa

Un bucle de 4 fases que refina progresivamente el contexto:

┌────────────────────────────────────────────────────────────────┐
│                                                                                    │
│   ┌──────────┐      ┌──────────┐                │
│   │ DESPACHO │─────│ EVALUAR  │                │
│   └──────────┘      └──────────┘                │
│        ▲                  │                     │
│        │                  ▼                     │
│   ┌──────────┐      ┌──────────┐                │
│   │ REPETIR │─────│ REFINAR │                │
│   └──────────┘      └──────────┘                │
│                                                                                    │
│        Máximo 3 ciclos, luego continuar                                     │
└────────────────────────────────────────────────────────────────┘

Fase 1: DESPACHO

Consulta inicial amplia para reunir archivos candidatos:

// Comenzar con intención de alto nivel
const initialQuery = {
  patterns: ['src/**/*.ts', 'lib/**/*.ts'],
  keywords: ['authentication', 'user', 'session'],
  excludes: ['*.test.ts', '*.spec.ts']
};

// Despachar al agente de recuperación
const candidates = await retrieveFiles(initialQuery);

Fase 2: EVALUAR

Evaluar el contenido recuperado por relevancia:

function evaluateRelevance(files, task) {
  return files.map(file => ({
    path: file.path,
    relevance: scoreRelevance(file.content, task),
    reason: explainRelevance(file.content, task),
    missingContext: identifyGaps(file.content, task)
  }));
}

Criterios de puntuación:

  • Alta (0.8-1.0): Implementa directamente la funcionalidad objetivo
  • Media (0.5-0.7): Contiene patrones o tipos relacionados
  • Baja (0.2-0.4): Tangencialmente relacionado
  • Ninguna (0-0.2): No relevante, excluir

Fase 3: REFINAR

Actualizar criterios de búsqueda según la evaluación:

function refineQuery(evaluation, previousQuery) {
  return {
    // Añadir nuevos patrones descubiertos en archivos de alta relevancia
    patterns: [...previousQuery.patterns, ...extractPatterns(evaluation)],

    // Añadir terminología encontrada en el código base
    keywords: [...previousQuery.keywords, ...extractKeywords(evaluation)],

    // Excluir rutas confirmadas como irrelevantes
    excludes: [...previousQuery.excludes, ...evaluation
      .filter(e => e.relevance < 0.2)
      .map(e => e.path)
    ],

    // Apuntar a vacíos específicos
    focusAreas: evaluation
      .flatMap(e => e.missingContext)
      .filter(unique)
  };
}

Fase 4: REPETIR

Repetir con criterios refinados (máximo 3 ciclos):

async function iterativeRetrieve(task, maxCycles = 3) {
  let query = createInitialQuery(task);
  let bestContext = [];

  for (let cycle = 0; cycle < maxCycles; cycle++) {
    const candidates = await retrieveFiles(query);
    const evaluation = evaluateRelevance(candidates, task);

    // Verificar si tenemos suficiente contexto
    const highRelevance = evaluation.filter(e => e.relevance >= 0.7);
    if (highRelevance.length >= 3 && !hasCriticalGaps(evaluation)) {
      return highRelevance;
    }

    // Refinar y continuar
    query = refineQuery(evaluation, query);
    bestContext = mergeContext(bestContext, highRelevance);
  }

  return bestContext;
}

Ejemplos Prácticos

Ejemplo 1: Contexto para Corrección de Errores

Tarea: "Corregir el error de caducidad del token de autenticación"

Ciclo 1:
  DESPACHO: Buscar "token", "auth", "expiry" en src/**
  EVALUAR: Encontrado auth.ts (0.9), tokens.ts (0.8), user.ts (0.3)
  REFINAR: Añadir palabras clave "refresh", "jwt"; excluir user.ts

Ciclo 2:
  DESPACHO: Buscar términos refinados
  EVALUAR: Encontrado session-manager.ts (0.95), jwt-utils.ts (0.85)
  REFINAR: Contexto suficiente (2 archivos de alta relevancia)

Resultado: auth.ts, tokens.ts, session-manager.ts, jwt-utils.ts

Ejemplo 2: Implementación de Funcionalidad

Tarea: "Añadir limitación de tasa a los endpoints de la API"

Ciclo 1:
  DESPACHO: Buscar "rate", "limit", "api" en routes/**
  EVALUAR: Sin coincidencias - el código base usa terminología "throttle"
  REFINAR: Añadir palabras clave "throttle", "middleware"

Ciclo 2:
  DESPACHO: Buscar términos refinados
  EVALUAR: Encontrado throttle.ts (0.9), middleware/index.ts (0.7)
  REFINAR: Se necesitan patrones de router

Ciclo 3:
  DESPACHO: Buscar patrones "router", "express"
  EVALUAR: Encontrado router-setup.ts (0.8)
  REFINAR: Contexto suficiente

Resultado: throttle.ts, middleware/index.ts, router-setup.ts

Integración con Agentes

Usar en indicaciones para agentes:

Al recuperar contexto para esta tarea:
1. Comience con una búsqueda amplia de palabras clave
2. Evalúe la relevancia de cada archivo (escala 0-1)
3. Identifique qué contexto aún falta
4. Refine los criterios de búsqueda y repita (máximo 3 ciclos)
5. Devuelva archivos con relevancia >= 0.7

Mejores Prácticas

  1. Comience amplio, reduzca progresivamente - No sobre-especifique las consultas iniciales
  2. Aprenda la terminología del código base - El primer ciclo a menudo revela convenciones de nomenclatura
  3. Rastree lo que falta - La identificación explícita de vacíos impulsa el refinamiento
  4. Deténgase con "suficientemente bueno" - 3 archivos de alta relevancia superan a 10 mediocres
  5. Excluya con confianza - Los archivos de baja relevancia no se volverán relevantes

Relacionados

  • The Longform Guide - Sección de orquestación de subagentes
  • skill continuous-learning - Para patrones que mejoran con el tiempo
  • Definiciones de agente incluidas con ECC (ruta de instalación manual: agents/)

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

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

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

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.

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.

Skills relacionados