Un ciclo de conocimiento para agentes de IA que crece con las personas que lo moldean. Centrado en la escasez de atención y juicio humano a medida que crece la capacidad del agente; seis fases mantienen el comportamiento alineado con la intención del operador a través de sesiones. ADRs, esquemas JSON y una referencia Python sin dependencias.
Este skill proporciona un ciclo de conocimiento estructurado (agente-conocimiento-ciclo) diseñado específicamente para agentes de IA, asegurando que su comportamiento permanezca alineado con la intención del operador a lo largo de múltiples sesiones. Aborda el desafío crítico de la escasez de atención y juicio humano a medida que las capacidades del agente crecen, ofreciendo un proceso de seis fases (Como-observación, Almacenamiento, Reflexión, Sensibilización, Aprendizaje, y Poda) que permite a los operadores humanos guiar al agente de manera efectiva. El skill incluye decisiones de registro de arquitectura (ADRs), esquemas JSON sólidos para el intercambio de datos estructurados y una implementación de referencia en Python sin dependencias externas. Es útil para desarrolladores y equipos que trabajan con agentes de IA en plataformas como Claude Code, Cursor o Codex, proporcionando un marco claro y reutilizable para la gestión del conocimiento del agente.
npx skills add shimo4228/agent-knowledge-cycleInstalled? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Un ciclo de conocimiento para agentes de IA — uno que crece con las personas que lo moldean. Centrado en la escasez de atención y juicio humano a medida que crece la capacidad del agente; seis fases mantienen el comportamiento alineado con la intención del operador a través de sesiones. ADRs, esquemas JSON y una referencia Python sin dependencias.
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.