Communitygithub.com

registro-de-decisiones-recursivas

Úselo cuando el usuario solicite ejecuciones repetidas, procesos de decisión marcados, búsqueda de alta dimensionalidad, optimización estocástica, exploración de óptimos locales, comparación de conjuntos o razonamiento recursivo con un rastro de evidencia visible.

¿Qué es registro-de-decisiones-recursivas?

El Registro de Decisiones Recursivas es una habilidad para agentes de IA que gestiona procesos de decisión repetitivos, búsquedas de alta dimensionalidad y razonamiento recursivo. Mantiene un "libro mayor" (ledger) estructurado que registra cada iteración con identificadores, marcas de tiempo, información previa y resultados. Es útil para desarrolladores e investigadores que necesitan realizar ejecuciones sistemáticas (rollouts), comparar candidatos, aplicar reglas de promoción (como en trading o despliegues de producción) y mantener un rastro de evidencia duradero. Compatible con plataformas como Claude Code y Cursor, la habilidad enfatiza la seguridad: evita que el bucle recursivo sea malinterpretado como certeza, y fuerza modos de puesta en escena (paper, dry-run, preview) para acciones críticas. Incluye marcas de coherencia para validar consistencia entre iteraciones, y genera resúmenes que priorizan la decisión sobre el dramatismo.

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

Preguntar en tu IA favorita

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

Documentación

Registro de Decisiones Recursivas

Use esta habilidad cuando el usuario esté intentando forzar un cómputo más profundo mediante ejecuciones repetidas o indicaciones recursivas al estilo "Prime Gauss". Conserve la parte útil: pruebas repetidas, memoria previa, información fresca y marcas explícitas. Elimine la parte insegura: pretender que el bucle prueba certeza.

Contrato del Libro Mayor

Cada ejecución debe registrar:

  • id de ejecución y marca de tiempo;
  • ganador aceptado previo y lista de vigilancia previa;
  • información fresca ingerida;
  • tamaño del espacio de búsqueda;
  • familias de modelos o heurísticas utilizadas;
  • conteo de pruebas y conteo de pruebas efectivo;
  • principales candidatos;
  • marcas de decisión;
  • marcas de coherencia contra el libro mayor anterior;
  • resultado de la puerta de promoción.

Prefiera JSONL para libros mayores de solo anexo y Markdown para resúmenes legibles por humanos.

Bucle de Ejecución

  1. Cargue el libro mayor anterior.
  2. Capture nueva información en el paso de tiempo cero.
  3. Ejecute la búsqueda acotada.
  4. Marque cada candidato: aceptar, vigilar, rechazar, degradar vigilancia o necesita repetición.
  5. Compare ganadores con ganadores anteriores y la última ejecución marcada.
  6. Degrade candidatos cuando la deriva, el riesgo de cola, datos obsoletos o una repetición fallida invaliden la marca anterior.
  7. Agregue artefactos antes de resumir.

Marca de Coherencia

Incluya una marca de coherencia compacta:

El conjunto coincide con el ganador anterior: verdadero
El recursivo coincide con el ganador anterior: falso
La última ejecución coincide: verdadero
Promoción en vivo permitida: falso
Razón: las puertas de repetición y frescura no están satisfechas

Reglas de Promoción

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

Por defecto, use modo papel, simulado, solo lectura, vista previa o por fases, a menos que el usuario apruebe explícitamente la acción en vivo y la puerta del repositorio/servicio lo soporte.

Promueva solo cuando:

  • el candidato supere al ganador aceptado anterior en la métrica elegida;
  • las verificaciones de corrección y repetición pasen;
  • los límites de riesgo sean explícitos;
  • la evidencia sea duradera;
  • el usuario haya aprobado el paso en vivo cuando sea necesario.

Forma del Resumen

Comience con la decisión, no con el drama:

Ejecución 15 completada. El ganador anterior aún se mantiene, pero el borde se deterioró un 17%.
Estado: vigilar, no en vivo. Siguiente puerta: 20 repeticiones de llenado con antigüedad 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/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