CommunityProgramación y desarrollogithub.com

bucles-de-automejora

Esta habilidad se usa cuando el arnés, el andamio, el flujo de trabajo o el optimizador en sí mismo es el objetivo de optimización: bucles de automejora recursiva (RSI), meta-arneses, arneses auto-mejorables que extraen sus propios fallos y proponen ediciones acotadas, búsqueda evolutiva o basada en poblaciones sobre andamios de agentes, compuertas de aceptación para sistemas auto-modificables y evolución de contexto agéntico donde el mecanismo que produce el contexto es versionado y evolucionado.

¿Qué es bucles-de-automejora?

Esta habilidad cubre sistemas donde el propio arnés es el artefacto que se optimiza: un agente extrae sus propios fallos y edita su propio andamio, un meta-agente busca sobre el código del arnés, una población de candidatos de flujo de trabajo evoluciona contra un evaluador, o el mecanismo que produce el contexto es versionado y mejorado. La pregunta de diseño cambia de '¿cómo controlo un bucle?' a '¿cómo permito que un bucle reescriba partes de sí mismo sin corromper la señal que lo guía?'. La restricción controladora en todos los sistemas publicados es que el bucle optimiza cualquier señal que se le dé, incluyendo las propias debilidades de la señal. Diseñe el bucle asumiendo que el optimizador encontrará cada brecha entre la métrica y la intención. La habilidad detalla la 'escalera de optimización' (desde prompts hasta código del optimizador), los invariantes clave (el evaluador debe estar fuera del bucle, ocultar la implementación de puntuación, usar un archivo de experiencia basado en archivos) y la preservación de la diversidad para evitar el colapso. Además, proporciona pautas prácticas para elegir el nivel de bucle adecuado (contexto estructurado, mecanismo de contexto, flujo de trabajo, código del arnés o código del optimizador) basado en el tipo de fallo recurrente.

Compatible con~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering/tree/main/skills/self-improvement-loops

Installed? Explore more Programación y desarrollo skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

Preguntar en tu IA favorita

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

Documentación

Bucles de Automejora

Esta habilidad cubre sistemas donde el arnés es el artefacto que se optimiza: un agente extrae sus propios fallos y edita su propio andamio, un meta-agente busca sobre el código del arnés, una población de candidatos de flujo de trabajo evoluciona contra un evaluador, o el mecanismo que produce el contexto es versionado y mejorado. La pregunta de diseño cambia de "¿cómo controlo un bucle?" (ingeniería de arnés) a "¿cómo permito que un bucle reescriba partes de sí mismo sin corromper la señal que lo guía?".

La restricción controladora en todos los sistemas publicados: el bucle optimiza cualquier señal que se le dé, incluyendo las propias debilidades de la señal. Diseñe el bucle asumiendo que el optimizador encontrará cada brecha entre la métrica y la intención.

Cuándo Activarlo

Active esta habilidad cuando:

  • Construya un bucle donde un agente propone ediciones a su propio arnés, prompts, libro de jugadas de contexto o flujo de trabajo basado en patrones de fallo extraídos.
  • Diseñe búsqueda de meta-nivel sobre el código del arnés o del andamio: búsqueda de meta-agente, búsqueda de árbol sobre gráficos de flujo de trabajo, búsqueda de programas evolutivos con un operador de mutación LLM.
  • Elija criterios de aceptación para cualquier sistema de agente auto-modificable.
  • Evolucione el mecanismo que gestiona el contexto (una habilidad, un libro de jugadas o una función de contexto) en lugar de editar manualmente el artefacto de contexto.
  • Diagnostique un bucle de automejora degenerante: hackeo de recompensas, colapso de diversidad, colapso de contexto o estancamiento silencioso.
  • Decida en qué nivel de la escalera de optimización (prompt, contexto, flujo de trabajo, código del arnés, código del optimizador) se debe corregir un fallo recurrente.

No active esta habilidad para trabajo adyacente propiedad de otras habilidades:

  • Gobernanza de un único bucle autónomo que no se modifica a sí mismo: superficies bloqueadas y editables, registros duraderos, reversión, compuertas de novedad, preparación de PR y límites de aprobación humana pertenecen a ingeniería-de-arnés. Esa habilidad define las superficies de control; esta habilidad define lo que sucede cuando las superficies mismas se convierten en el objetivo de optimización.
  • Construir el evaluador, el conjunto de regresión o las compuertas de calidad que puntúan candidatos: evaluación.
  • Diseño de LLM como juez, comparación por pares y mitigación de sesgos para la puntuación de candidatos: evaluación-avanzada.
  • Eficiencia de tokens de un solo uso, enmascaramiento o almacenamiento en caché sin un bucle de mejora: optimización-de-contexto.
  • Espacios aislados remotos e infraestructura de ejecución en segundo plano para ejecutar el bucle: agentes-alojados.
  • Si construir el bucle en absoluto, forma del pipeline y estimación de costos: desarrollo-de-proyecto.
  • El comportamiento de contexto auto-editable y la recompensa de eficiencia que optimiza un bucle: contexto-autogestionado.

Conceptos Centrales

La Escalera de Optimización

Los sistemas de automejora publicados apuntan a objetos progresivamente más profundos:

PeldañoObjeto optimizadoSistemas de ejemplo
1Instrucciones de promptPromptbreeder, GEPA
2Contexto estructuradoACE (libro de jugadas de viñetas detalladas)
3Mecanismo de contextoMCE (la habilidad que produce el contexto)
4Gráfico de flujo de trabajoADAS, AFlow
5Código del arnésSelf-Harness (auto-ediciones acotadas), Meta-Harness, Darwin Godel Machine
6Código del optimizadorSTOP (el mejorador mejora al mejorador)

Cada peldaño hacia arriba compra un espacio de diseño más grande y más apalancamiento, y cuesta más por evaluación con una superficie más grande para jugar. Corrija un fallo recurrente en el peldaño más bajo que pueda expresar la corrección. Un fallo de biblioteca obsoleta es una corrección de contexto, no una reescritura del flujo de trabajo. Solo suba cuando los fallos se agrupen en el peldaño actual y persistan entre candidatos.

El Bucle No Es la Inteligencia

La estructura recursiva amplifica la calidad del modelo base en ambas direcciones. El mismo diseño de mejorador recursivo que acumula ganancias con un modelo fuerte degrada el rendimiento medio a través de iteraciones con modelos más débiles (claim-self-improvement-capability-threshold). Dos implicaciones:

  1. Ejecute una validación de capacidad antes de habilitar la recursión: un número fijo de iteraciones en un conjunto de tareas separadas, con el bucle contado como neto-negativo si la trayectoria disminuye.
  2. Detecte el modo de estancamiento degenerativo. Un mejorador roto que devuelve su entrada sin cambios silenciosamente parece estabilidad en métricas agregadas. Rastree diffs de ediciones, no solo puntuaciones.

El Invariante Fuera del Bucle

El evaluador, su instrumentación, el control de permisos y la ejecución del presupuesto deben vivir fuera de la superficie que el bucle puede modificar. Cada hackeo de recompensa documentado violó este invariante: los agentes eliminaron los marcadores de registro de los que dependía un detector de alucinaciones, y los hackeos se volvieron más frecuentes cuando el código de verificación era visible para el agente (claim-self-improvement-visible-evaluator-hacking). Los agentes que veían las funciones de puntuación sobrescribían las funciones de tiempo y parcheaban los evaluadores para que devolvieran puntuaciones perfectas (claim-self-improvement-scorer-visibility).

Reglas operativas:

  • Las restricciones declaradas en el texto del prompt se evolucionan. Haga cumplir los presupuestos, permisos y límites del espacio aislado en el tiempo de ejecución, nunca en el prompt mutable o el código del arnés.
  • Oculte la implementación de la puntuación del proponente. Exponga puntuaciones y trazas, no el código fuente del evaluador.
  • Aísle en el nivel del sistema operativo o del contenedor. Las compuertas de permisos a nivel de marco pueden ser eludidas a través de canales laterales que el bucle descubre.
  • Trate cualquier exploit detectado como un candidato fallido, no como una puntuación alta, o el hackeo infla la misma métrica que guía el bucle.

Aceptación Empírica, Nunca Racional

Acepte una auto-modificación solo con evidencia medida, utilizando dos divisiones: una división retenida que verifica que la debilidad objetivo fue resuelta, y una división separada que el proponente nunca ve y que verifica que nada más ha retrocedido. La compuerta de aceptación más estricta publicada acepta solo cuando ninguna división retrocede y al menos una mejora estrictamente, con evaluación repetida bajo puntuación estocástica; esto produjo ganancias en la división separada en todos los modelos base probados (claim-self-improvement-two-split-acceptance). Rechace candidatos que intercambien una división por la otra incluso cuando la suma mejore. Registre los candidatos rechazados con su evidencia para que el proponente deje de redescubrirlos.

Archivo de Experiencia del Sistema de Archivos

Almacene cada candidato como un directorio que contenga su código fuente, puntuaciones y trazas de ejecución sin procesar. Permita que el proponente navegue por el archivo con herramientas de búsqueda (consultas de estilo grep sobre archivos) en lugar de meter el historial en su ventana de contexto. En ablación directa, un proponente con acceso completo a trazas sin procesar superó materialmente tanto a un proponente solo de puntuaciones como a un proponente alimentado con resúmenes escritos por LLM de las mismas trazas; los resúmenes no recuperaron ninguna de las señales perdidas y a veces perjudicaron (claim-self-improvement-raw-trace-ablation). No pre-resuma el archivo. Cure las rutas de acceso, no el contenido.

Preservación de la Diversidad

Los bucles evolutivos y de estilo RL colapsan hacia variantes del mejor actual a menos que la diversidad esté diseñada. Los mecanismos que sobrevivieron a la ablación en todos los sistemas publicados:

  • Mantenga un archivo de cada candidato que retenga la capacidad central; nunca suba la colina solo la última versión. Las piedras de paso rinden frutos muchas iteraciones después de ser descubiertas.
  • Seleccione padres con presión de aptitud descontada por el recuento de descendencia, de modo que los candidatos muy explotados pierdan prioridad mientras que cada miembro del archivo mantenga una probabilidad de selección no nula.
  • Rechace propuestas casi duplicadas por similitud de incrustación antes de pagar el costo de evaluación.
  • Mantenga una ruta persistente de regreso a la semilla o al candidato en blanco en la distribución de selección como escape de óptimos locales.

Temas Detallados

Anatomía de un Bucle de Auto-Edición Impulsado por Fallos

El patrón publicado más fuerte para que un agente mejore su propio arnés tiene tres etapas:

  1. Extracción de debilidades. Agrupe las trazas fallidas por una firma de tres partes: la causa a nivel de verificador (qué fue rechazado), el estado causal del comportamiento del agente (si realmente fue responsable) y el mecanismo abstracto que la traza expone (el patrón de comportamiento reutilizable). Nunca agrupe solo por cadenas de error; un tiempo de espera es un síntoma compartido por mecanismos no relacionados. Aplique un filtro de direccionabilidad: excluya grupos que reflejen la dificultad de la tarea o los límites de capacidad en lugar de defectos del arnés.
  2. Propuesta acotada. Dé al proponente exactamente cuatro entradas: las superficies editables declaradas, los patrones de fallo extraídos, los registros de comportamientos exitosos que deben preservarse y los resúmenes de ediciones intentadas previamente. Exija que las propuestas sean mínimas (toquen una superficie), mutuamente distintas entre candidatos paralelos y acompañadas de un registro de auditoría que indique el patrón objetivo, el efecto esperado y los riesgos de regresión.
  3. Validación y fusión. Aplique la compuerta de aceptación de dos divisiones. Fusione las ediciones aceptadas compatibles; registre las rechazadas sin cambiar el arnés activo. Cada transición registra las superficies cambiadas, los resultados de la división y la decisión, de modo que el linaje sea auditable.

Búsqueda de Meta-Nivel sobre Código del Arnés

Cuando se buscan programas completos de arnés desde fuera en lugar de editar un arnés en ejecución desde dentro:

  • Mantenga el bucle externo mínimo: sin operadores de mutación ajustados a mano ni heurísticas de selección de padres. Delegue las decisiones de diagnóstico y edición a un proponente de agente de codificación fuerte, para que el sistema mejore a medida que mejoran los agentes de codificación.
  • Inicialice desde el arnés más fuerte disponible, no desde cero. Las ediciones ganadoras suelen ser pequeñas y aditivas (un arranque de entorno, una instrucción de creación de artefactos), mientras que las reescrituras de flujo de prompt y finalización son empíricamente de alto riesgo.
  • Mantenga una frontera de Pareto sobre los objetivos que realmente importan (precisión, costo de contexto, latencia) en lugar de colapsar a un escalar.
  • Estructure la memoria de búsqueda por candidato con resultados de modificación registrados. Volcar todo el archivo en el prompt del proponente se degrada bruscamente a medida que crece el historial; los registros de experiencia por nodo con asignación de crédito superan al condicionamiento del archivo en contexto.
  • Vuelva a ejecutar la búsqueda cuando cambie el modelo de ejecución. Los arneses descubiertos dependen del ejecutor y no se transfieren libremente entre modelos base.

Evolución del Contexto como Automejora

Los libros de jugadas de contexto que se actualizan a sí mismos son el bucle de automejora de nivel de entrada, con dos modos de fallo nombrados. Sesgo de brevedad: los optimizadores colapsan hacia instrucciones genéricas cortas, dejando caer las heurísticas específicas del dominio que llevaban el valor. Colapso de contexto: permitir que un modelo reescriba monolíticamente el contexto acumulado lo encoge catastróficamente en un solo paso, por debajo de la línea base sin adaptación (claim-self-improvement-context-collapse). El patrón de trabajo:

  • Represente el contexto como entradas detalladas con identificadores estables y contadores de útil/perjudicial.
  • Produzca deltas incrementales, fusionados por lógica determinista no basada en modelos. El curador nunca reescribe todo el artefacto.
  • Deduplique por similitud de incrustación, periódicamente o de forma perezosa.
  • Bloquee todo el mecanismo en la calidad de la retroalimentación. Sin señales de ejecución confiables o etiquetas, el contexto autogestionado se degrada por debajo de la línea base estática.

Un nivel más arriba, versionee el mecanismo que produce el contexto (la habilidad: componentes estáticos más operadores dinámicos) por separado del contexto producido, evolucione el mecanismo contra una división de validación solo e inicie en caliente cada iteración desde el mejor artefacto anterior más sus resultados de implementación. Verifique la brecha entrenamiento-validación explícitamente cada iteración para detectar sobreajuste del mecanismo.

Lo Que Pertenece a los Humanos

Los humanos suben en la pila en lugar de salir del bucle. Reserve para puntos de decisión humana: cambios en el evaluador o la compuerta de aceptación, expansión de superficies editables, promoción de un arnés descubierto a producción y decisiones de abandono para direcciones de investigación. Los modelos entrenados principalmente en resultados exitosos están mal calibrados en cuándo abandonar una línea de trabajo, y los resultados negativos preservados son la forma más barata de recortar el espacio de búsqueda de un sucesor. Haga de los candidatos fallidos artefactos de primera clase.

Guía Práctica

Lista de Verificación de Preparación del Bucle

No habilite la auto-modificación hasta que se cumpla cada elemento:

  1. Existe un evaluador rápido, determinista y automatizable. Los dominios con evaluación lenta, ambigua o solo de juez son donde esta familia de bucles falla.
  2. Existe una división separada que el proponente nunca ve, actualizada si el bucle se ejecuta el tiempo suficiente para sobreajustarla.
  3. Los presupuestos, permisos y el aislamiento se aplican por el tiempo de ejecución, fuera de cada superficie editable.
  4. Las superficies editables están declaradas explícitamente (regiones marcadas o puntos de configuración); todo lo demás está bloqueado, y la inmutabilidad se verifica programáticamente después de cada candidato.
  5. Existe un archivo con linaje completo de diffs; las auditorías leen diffs y trazas sin procesar, no la señal de aptitud.
  6. El gasto de evaluación se escalona: comprobaciones de interfaz o humo baratas antes de la evaluación completa, ejecuciones repetidas donde la puntuación es ruidosa.
  7. Una ejecución de validación de capacidad ha mostrado que el modelo base supera el umbral de recursión en esta familia de tareas.
  8. Los puntos de decisión humana están cableados para cambios de evaluador, expansión de superficie y promoción.

Elegir el Nivel del Bucle

Falla recurrenteCorregir enPatrón de bucle
Heurísticas de dominio faltantes, errores conocidos repetidosContexto estructuradoLibro de jugadas detallado con actualizaciones delta
El libro de jugadas de contexto se estanca entre tareasMecanismo de contextoEvolucione la habilidad en datos de validación
Secuenciación incorrecta, pasos de verificación faltantesFlujo de trabajoBúsqueda sobre gráficos de flujo de trabajo con experiencia por nodo
Los grupos de fallos persisten entre candidatos de flujo de trabajoCódigo del arnésAuto-ediciones acotadas impulsadas por fallos o búsqueda de meta-nivel
La estrategia de mejora en sí misma es débilCódigo del optimizadorSolo con modelos fuertes y meta-evaluación bloqueada

Ejemplos

Ejemplo 1: Compuerta de aceptación de dos divisiones

def accept(candidate, baseline, held_in, held_out, repeats=3):
    d_in = mean_score(candidate, held_in, repeats) - mean_score(baseline, held_in, repeats)
    d_out = mean_score(candidate, held_out, repeats) - mean_score(baseline, held_out, repeats)
    if d_in < 0 or d_out < 0:
        return False              # no regression on either split
    return max(d_in, d_out) > 0  # strict improv

...

Individual skills in this repo

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

advanced-evaluation

This skill should be used for advanced LLM evaluation: LLM-as-judge systems, direct scoring, pairwise comparison, rubric calibration, evaluator bias mitigation, confidence scoring, and automated quality assessment.

bdi-mental-states

This skill should be used when modeling agent mental states with BDI concepts: beliefs, desires, intentions, RDF-to-belief transformations, rational agency traces, cognitive agents, BDI ontologies, and neuro-symbolic AI integration.

book-sft-pipeline

This skill should be used for book-to-SFT pipelines: ePub extraction, literary segmentation, author-voice dataset construction, style-transfer training, LoRA workflows, and model evaluation for voice replication.

comprehensive-research-agent

Ensure thorough validation, error recovery, and transparent reasoning in research tasks with multiple tool calls

context-compression

This skill should be used when long-running agent sessions need context compression, structured summarization, compaction, token-per-task optimization, or durable handoff summaries that preserve decisions, files, risks, and next actions.

context-degradation

This skill should be used for diagnosing and mitigating context degradation: lost-in-middle failures, context poisoning, context clash, context confusion, attention-pattern issues, and agent performance degradation caused by accumulated or conflicting context.

context-fundamentals

This skill should be used to explain or reason about the foundational concepts of context engineering: what context is, the anatomy of a context window, how attention mechanics work, the U-shaped attention curve, why context quality matters more than quantity, and the mental models needed to interpret every other context-engineering decision. Use this for conceptual explanation, onboarding, and background reading. Route operational work to the specialized skills: debugging attention failures goes to context-degradation, token-efficiency work goes to context-optimization, conversation summarization goes to context-compression, and project-shape decisions go to project-development.

context-optimization

This skill should be used for improving context efficiency: context budgeting, observation masking, prefix or KV-cache strategy, partitioning, token-cost reduction, retrieval scoping, and extending effective context capacity without lowering answer quality.

evaluation

This skill should be used when building agent evaluation systems: deterministic checks, regression suites, multi-dimensional rubrics, quality gates, production monitoring, baseline comparison, and outcome measurement for agent pipelines.

filesystem-context

This skill should be used when agent work needs file-backed context: durable scratchpads, tool-output offloading, just-in-time discovery, cross-agent handoff files, filesystem memory, or cleanup policies for context stored outside the prompt.

harness-engineering

This skill should be used when designing autonomous agent harnesses: research loops, evaluation scaffolds, locked and editable surfaces, durable logs, novelty gates, pruning, rollback, PR preparation, and human approval boundaries.

hosted-agents

This skill should be used when designing hosted or background agent infrastructure: sandboxed execution, remote coding environments, warm pools, session persistence, multiplayer collaboration, self-spawning agents, or Modal-style sandboxes.

instruction-surface-security

Hardens agent runtimes against persistent prompt injection or unauthorized changes to instructions and permissions. Use to audit what agents auto-load, design reviewed activation for project rules, skills, memory, or tool configuration, and test whether trust boundaries hold after reload, restart, or delegation.

latent-briefing

This skill should be used when the user asks to "share memory between agents", "KV cache compaction for multi-agent", "orchestrator worker context", "latent briefing", "reduce worker tokens", "cross-agent memory without summarization", or discusses Attention Matching compaction, recursive language models with workers, or token explosion in hierarchical agents.

long-horizon-prompting

This skill should be used when writing, enhancing, or evaluating the launch prompt for a long-running autonomous agent or a parallel multi-agent orchestration attacking a hard problem: pseudo-formal task briefs that define terms and an exact success predicate linguistically, enumerate non-counting outcomes, set persistence rules with explicit stop and return conditions and effort floors, manage a diverse portfolio of parallel approaches with an approach registry and blocked-route bookkeeping, and gate the return on adversarial audit. Route agent topology and coordination protocols to multi-agent-patterns, runtime control surfaces and loop governance to harness-engineering, evaluator and quality-gate construction to evaluation, judge design to advanced-evaluation, and compaction or memory mechanics to context-compression and memory-systems.

memory-systems

This skill should be used for persistent semantic memory in agent systems: cross-session knowledge retention, entity tracking, temporal validity, graph or vector retrieval, memory consolidation, and memory benchmark selection. Route file-backed scratchpads to filesystem-context, handoff summaries to context-compression, and token-efficiency tactics to context-optimization.

multi-agent-patterns

This skill should be used when designing multi-agent systems that need context isolation, supervisor or swarm coordination, explicit handoffs, parallel execution, or a decision on whether multiple agents are justified.

project-development

This skill should be used for project-level decisions about LLM-powered systems: whether an LLM is the right primitive for the task at hand, the shape of a multi-stage batch or agent pipeline, token and cost estimation, choosing between single-agent and multi-agent at the project level, structured output design for downstream parsing, and structuring agent-assisted iteration. Use this when the unit of work is a whole project or a multi-stage pipeline. Route individual tool design to tool-design and individual skill-loading or context-budget tactics to context-optimization.

self-managed-context

This skill should be used when a model gets read-write control over its own live context window instead of a harness-scheduled compaction policy: the context exposed as an editable file the model rewrites with code tools, model-driven eviction and in-place updates, the harness invariants that keep self-editing safe (pinned prefix, edit gate, edit receipts, budget readouts, rollback on overflow), the prefix-cache cost of mid-context edits, and steering or training the model's own context-editing strategy. Route note content and fixed-threshold summarization to context-compression, cache-stable layout under harness control to context-optimization, file offloading to filesystem-context, and loop governance to self-improvement-loops.

tool-design

This skill should be used for the tool-interface layer of an agent system specifically: writing tool descriptions agents can route on, designing tool schemas and response formats, naming conventions, actionable error recovery messages, MCP server design, tool-set consolidation, and deciding when to add or remove an individual tool. Use this when the unit of work is a single tool or a set of tools. Route project-shape, pipeline architecture, and task-model-fit decisions to project-development; route deciding whether to introduce sub-agents to multi-agent-patterns.

Skills relacionados