¿Qué hace autonomous-research-orchestrator?
Una habilidad local-first de Codex para investigación empírica de largo plazo: orquestación Brain–Luna, experimentos acotados, estado persistente y rotación de contexto.
Una habilidad local-first de Codex para investigación empírica de largo plazo: orquestación Brain–Luna, experimentos acotados, estado persistente y rotación de contexto.
Esta habilidad de Codex, desarrollada por PilgrimCh, está diseñada para investigadores y desarrolladores que necesitan realizar investigaciones empíricas de larga duración de manera autónoma, manteniendo todo el procesamiento en el equipo local (local-first). Su principal ventaja es la capacidad de manejar proyectos de investigación complejos que abarcan múltiples sesiones, evitando la pérdida de progreso. Utiliza una orquestación entre dos agentes: 'Brain', que planifica y dirige la investigación, y 'Luna', que ejecuta las tareas de forma experimental. Además, gestiona experimentos con límites definidos (bounded experiments), mantiene un estado persistente para recordar el trabajo ya realizado y puede realizar un 'context rollover' para transferir información relevante entre sesiones. Es ideal para tareas como la exploración de hipótesis, la recopilación y análisis de datos, o el desarrollo iterativo de prototipos, todo sin depender de servicios en la nube.
npx skills add PilgrimCh/autonomous-research-orchestratorInstalled? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Una habilidad local-first de Codex para investigación empírica de largo plazo: orquestación Brain–Luna, experimentos acotados, estado persistente y rotación de contexto.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.