Communitygithub.com

ingeniería-de-sistemas-cognitivos-para-diseño-complejo

Licencia: Apache-2.0. NO usar para tareas no relacionadas con este dominio.

¿Qué es ingeniería-de-sistemas-cognitivos-para-diseño-complejo?

Esta habilidad (skill) proporciona un marco de Ingeniería de Sistemas Cognitivos (CSE) para diseñar, analizar y depurar sistemas complejos donde humanos y agentes de IA colaboran en trabajo cognitivo. Se basa en la investigación de Militello, Dominguez, Lintern y Klein, y está diseñada para usarse en agentes como Claude Code, Cursor o Codex al enfrentar problemas de diseño de sistemas multiagente, orquestación, requisitos cambiantes o errores inesperados. La skill guía al agente a aplicar cinco modelos mentales clave: los requisitos cognitivos son invisibles y requieren métodos de elicitación especializados; los errores son diagnósticos, no defectos; el diseño es un diálogo, no una tubería secuencial; el replanteamiento del problema es la intervención de mayor apalancamiento; y los sistemas cognitivos son conjuntos (joint cognitive systems), no pares herramienta-usuario. Incluye marcos de decisión para diagnóstico de problemas, diseño de procesos y evaluación de valor, junto con referencias a archivos detallados y una lista de antipatrones (como diseñar para el trabajador imaginado o el cuello de botella del experto). También contiene pruebas shibboleth para verificar si se ha internalizado realmente el enfoque CSE.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/_merged-archives/the-role-of-cognitive-systems-engineerin

Preguntar en tu IA favorita

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

Documentación

SKILL.md: Ingeniería de Sistemas Cognitivos para Diseño Complejo

licencia: Apache-2.0

metadata:
  name: Ingeniería de Sistemas Cognitivos (CSE)
  source: "The Role of Cognitive Systems Engineering in the Systems Engineering Design Process"
  authors: Militello, Dominguez, Lintern, Klein
  version: 1.0
  activation_triggers:
    - diseñar sistemas de agentes o arquitecturas de orquestación
    - analizar por qué un sistema falló o está fallando a los usuarios
    - descomponer tareas complejas para ejecución por IA o humanos
    - elicitar requisitos de expertos en el dominio
    - encontrar errores o comportamiento inesperado en trabajo cognitivo
    - cuestionar si se está resolviendo el problema correcto
    - diseñar para juicio experto, soporte de decisiones o automatización
    - evaluar si una solución aborda el problema declarado o el real

Cuándo Usar Esta Habilidad

Carga esta habilidad cuando:

  • Se está diseñando un sistema para apoyar la cognición humana — soporte de decisiones, orquestación de agentes, sistemas de información, automatización de experiencia
  • Los requisitos parecen vagos, discutidos o cambian constantemente — esto es una señal de que los requisitos cognitivos son invisibles, no de que las partes interesadas estén confundidas
  • Aparecen errores o fallos — trátalos como diagnósticos sobre supuestos de diseño, no como defectos que parchear
  • El problema planteado parece incorrecto — cuando el espacio de soluciones parece no contener la respuesta real
  • Es necesario capturar, replicar o apoyar la experiencia — y el experto "no puede explicar bien cómo lo hace"
  • Un equipo o sistema distribuido debe coordinarse en trabajo cognitivo complejo — múltiples agentes, humanos, herramientas u organizaciones compartiendo carga cognitiva
  • Se cuestiona el valor del trabajo de análisis — cuando las contribuciones cognitivas son invisibles frente a los entregables de ingeniería

Modelos Mentales Centrales

1. Los Requisitos Cognitivos Son Invisibles

Lo que los diseñadores asumen que los trabajadores necesitan y lo que los trabajadores realmente necesitan son sistemáticamente diferentes — y la brecha es enorme. Los profesionales expertos operan con conocimiento tácito, señales perceptivas, reconocimiento de patrones y conciencia de restricciones que no pueden articular fácilmente y que la sola observación no revelará. Cualquier proceso de diseño que no excave activamente estos requisitos construirá para un trabajador imaginario.

Implicación: La elicitación de requisitos debe usar métodos especializados (análisis de tareas cognitivas, método de decisión crítica, protocolos de pensamiento en voz alta), no entrevistas o encuestas. El artefacto de este trabajo es un modelo cognitivo del trabajo real, no una lista de características.

2. Los Errores Son Diagnósticos, No Defectos

Un error en un sistema cognitivo no es un mal funcionamiento — es una indicación precisa de dónde el modelo del sistema sobre el trabajo diverge de la estructura real del trabajo. El desajuste entre el comportamiento esperado y el observado es la señal con mayor densidad de información disponible para un diseñador.

Implicación: Cuando agentes, usuarios o sistemas conjuntos producen resultados inesperados, la primera pregunta es "¿qué revela este error sobre nuestros supuestos de diseño?", no "¿cómo eliminamos este error?"

3. El Diseño Es Diálogo, No Tubería

Los modelos de diseño secuenciales (requisitos → especificación → construir → probar) son pedagógicamente convenientes pero operativamente falsos. Los problemas complejos revelan nueva información a medida que los abordas. La declaración del problema con la que comienzas nunca es la declaración del problema con la que deberías terminar. Los intentos de fijar requisitos tempranamente suprimen el descubrimiento que los problemas complejos requieren.

Implicación: Las iteraciones no son fracasos de planificación. Revisitar el encuadre del problema a mitad del proyecto no es cambio de alcance — es el proceso funcionando correctamente. Incorpora puertas de reevaluación explícitas.

4. El Encuadre del Problema Es la Intervención de Mayor Apalancamiento

Lo más valioso que un análisis cognitivo puede producir es a menudo una reformulación del problema — no una mejor solución al problema planteado, sino evidencia de que el problema planteado es incorrecto. El caso de la planta nuclear: 80+ empleados reducidos a 35, cero nueva tecnología, simplemente entendiendo la estructura cognitiva real del trabajo.

Implicación: Antes de optimizar cualquier solución, invierte en verificar la declaración del problema. El costo de resolver el problema equivocado con alta calidad supera a casi cualquier otro error de diseño.

5. Sistemas Cognitivos Conjuntos, No Pares Herramienta-Usuario

La complejidad cognitiva reside en el sistema distribuido — los humanos, tecnologías, procesos y estructuras organizacionales que colectivamente realizan trabajo cognitivo. Ningún agente o herramienta puede diseñarse de forma aislada. Los mecanismos de coordinación, los flujos de información y la conciencia situacional compartida a través del sistema son donde se determina el éxito o fracaso cognitivo.

Implicación: Diseña las transiciones, no solo los nodos. Especifica los requisitos de modelos mentales compartidos entre componentes. Analiza cómo la automatización cambia la distribución de la carga cognitiva a través del sistema conjunto, no solo si la automatización funciona.


Marcos de Decisión

Diagnóstico de Problemas

SI un sistema está produciendo errores o comportamiento inesperado
ENTONCES carga: failure-modes-in-complex-cognitive-systems.md
→ Clasifica el modo de fallo antes de proponer una corrección
→ Pregunta: ¿Es esto sorpresa de automatización, problema equivocado, compartimentación, sobreespecificación o cuello de botella?

SI las partes interesadas no se ponen de acuerdo sobre los requisitos o estos cambian constantemente
ENTONCES carga: cognitive-requirements-are-invisible.md
→ El cambio es información: los requisitos cognitivos aún no se han hecho explícitos
→ Despliega elicitación estructurada antes de recopilar más requisitos

SI la solución propuesta parece resolver lo incorrecto
ENTONCES carga: problem-reframing-as-highest-leverage-intervention.md
→ Detén el trabajo de solución; invierte en encuadre del problema primero
→ Busca una reformulación que haga innecesarias las categorías actuales de solución

Proceso de Diseño

SI se está diseñando un sistema de agentes o arquitectura de orquestación
ENTONCES carga: joint-cognitive-systems-distributed-cognition.md AND cse-concept-map-for-agent-architecture.md
→ Mapea el sistema conjunto completo antes de diseñar cualquier componente
→ Diseña los mecanismos de coordinación y flujo de información primero

SI se está presionando para finalizar los requisitos antes de tener una comprensión adecuada
ENTONCES carga: design-as-dialog-not-pipeline.md
→ Distingue "fijar requisitos" de "tener un mejor modelo actual"
→ Propón puertas de reevaluación explícitas en lugar de bloqueo secuencial

SI se está diseñando para o alrededor del juicio experto
ENTONCES carga: expertise-recognition-and-tacit-knowledge.md
→ Aplica el modelo de Decisión Basada en Reconocimiento para entender cómo funciona realmente la experiencia
→ Planifica la brecha de articulación del experto en el trabajo de requisitos

Evaluación y Valor

SI se cuestiona el valor del trabajo de análisis cognitivo
ENTONCES carga: value-case-and-invisible-contributions.md
→ La paradoja: el buen trabajo de CSE se vuelve invisible (menos fallos, operación más fluida)
→ Usa indicadores adelantados, no solo recuentos de incidentes

SI una solución propuesta implica agregar tecnología o personal
ENTONCES carga: problem-reframing-as-highest-leverage-intervention.md
→ Verifica: ¿se ha utilizado un modelo cognitivo preciso del trabajo para validar esta solución?
→ El punto de referencia de la planta nuclear: ¿podría la reformulación del problema eliminar la necesidad del recurso propuesto?

Archivos de Referencia

ArchivoCuándo Cargar
references/cognitive-requirements-are-invisible.mdLos requisitos parecen vagos o discutidos; diseñar para usuarios expertos; comenzar cualquier proceso de elicitación de requisitos; los métodos de investigación de usuarios están en cuestión
references/design-as-dialog-not-pipeline.mdPresión para finalizar requisitos tempranamente; se cuestiona el proceso iterativo como ineficiente; el proyecto está en medio y la declaración del problema necesita revisión
references/problem-reframing-as-highest-leverage-intervention.mdEl espacio de soluciones no parece contener la respuesta correcta; las soluciones propuestas parecen costosas o desalineadas; necesidad de justificar pausar la ejecución para reformular
references/joint-cognitive-systems-distributed-cognition.mdDiseñar sistemas multiagente o humano-máquina; analizar fallos de coordinación; evaluar cómo la automatización cambia la distribución de la carga cognitiva
references/expertise-recognition-and-tacit-knowledge.mdCapturar conocimiento experto; diseñar soporte de decisiones; construir sistemas para replicar o asistir el juicio experto; el experto no puede articular cómo realiza el trabajo
references/failure-modes-in-complex-cognitive-systems.mdDiagnosticar errores del sistema o comportamiento inesperado; pre-mortems de diseños propuestos; clasificar un fallo observado antes de responder a él
references/cse-concept-map-for-agent-architecture.mdMapear capacidades para un sistema de agentes; organizar funciones cognitivas entre componentes; resolver confusión terminológica entre marcos
references/value-case-and-invisible-contributions.mdJustificar la inversión en análisis cognitivo; se cuestiona el valor del trabajo de CSE; medir resultados de sistemas que principalmente previenen fallos

Antipatrones

Estos son los modos de fallo contra los que CSE advierte específicamente. Reconócelos temprano.

1. Diseñar para el trabajador imaginado Construir sistemas basados en cómo los diseñadores piensan que los expertos trabajan, no en cómo los expertos realmente trabajan. El trabajador imaginado es racional, tiene información completa, sigue procedimientos y toma decisiones como dice un libro de texto. El trabajador real no hace nada de esto.

2. Tratar errores como defectos en lugar de diagnósticos Parchear errores sin preguntar qué revelan. Un error corregido que no se entendió es una oportunidad perdida para corregir el supuesto de diseño subyacente — y una garantía de que el problema reaparecerá en una forma diferente.

3. Fijar requisitos antes de que se realice el trabajo cognitivo Los modelos de proceso secuencial crean presión para fijar requisitos tempranamente. En dominios cognitivamente complejos, esto garantiza que el sistema equivocado se construya de manera eficiente. La fijación temprana de requisitos no es disciplina; es cierre prematuro.

4. Compartimentación: optimizar componentes sin la visión del sistema conjunto Construir una herramienta excelente que rompe el flujo de trabajo de los humanos o agentes a su alrededor. Optimización local que degrada el rendimiento del sistema. La versión clásica: automatización que libera a un humano de una tarea pero lo deja sin conciencia situacional cuando la automatización falla.

5. Sesgo retrospectivo en el análisis de fallos Después de un incidente, diseñar solo para ese fallo específico. La claridad seductora de la reconstrucción posterior hace que los fallos parezcan más predecibles de lo que fueron — y enfoca la energía de diseño en el último fallo en lugar del siguiente.

6. Sobreespecificación que elimina la capacidad adaptativa Diseñar sistemas tan rígidos que los profesionales no pueden improvisar cuando la realidad se desvía del modelo. El trabajo complejo real requiere adaptación. La sobreespecificación hace que el sistema sea frágil precisamente en las situaciones donde la flexibilidad importa más.

7. El cuello de botella del experto por diseño Construir un sistema donde un solo experto (humano o IA) es la puerta de entrada requerida para todas las decisiones críticas. Incluso cuando ese experto es excelente, esto crea una fragilidad catastrófica. CSE aboga por distribuir la experiencia, no concentrarla.


Pruebas de Comprensión

Cómo saber si alguien ha internalizado realmente CSE en lugar de leer un resumen:

Dicen "los errores son interesantes" — no "los errores son problemas". Alguien que ha absorbido CSE trata un informe de fallo como una oportunidad de investigación, no como un ticket que cerrar.

Preguntan "¿es este el problema correcto?" antes de "¿cuál es la solución?" — y están dispuestos a dedicar tiempo real a esa pregunta incluso cuando retrasa el progreso visible. Han visto el caso de la planta nuclear y saben lo que puede valer la respuesta.

Resisten la fijación de requisitos sin análisis cognitivo — no como obstrucción sino porque entienden que fijar requisitos antes de entender la estructura cognitiva del trabajo es una forma específica, nombrada y predecible de construir lo incorrecto.

Piensan en sistemas conjuntos — al analizar un fallo o diseñar una solución, preguntan instintivamente "¿dónde se sitúa esto en el sistema cognitivo completo?", no "¿qué debería hacer este componente?"

Saben lo que cuesta el conocimiento tácito — no esperan que los expertos puedan decirles lo que necesitan saber. Han internalizado que la experiencia es en gran medida inaccesible a la introspección y planifican sus métodos de elicitación en consecuencia.

Tratan la naturaleza iterativa del diseño como señal, no como ruido — cuando una declaración del problema cambia a mitad del proyecto, lo leen como el proceso revelando algo real, no como un fracaso de planificación que gestionar.

Pueden nombrar los cinco modos de fallo — sorpresa de automatización, declaración de problema incorrecta, compartimentación, sobreespecificación, cuello de botella del experto — y los aplican de manera diagnóstica a situaciones novedosas, no como una lista de verificación.

Lo que no dicen: "Solo necesitamos mejores requisitos." "Si documentamos el proceso, el sistema lo seguirá." "Los usuarios solo necesitan capacitación." "Podemos evaluar la herramienta de IA independientemente de cómo la usen los operadores."


Carga los archivos de referencia bajo demanda según surjan situaciones específicas. La habilidad se activa con este archivo; el análisis más profundo requiere las referencias.

Individual skills in this repo

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

curiositech/windags-skills

Expert legal research agent for finding and scraping expungement data state by state. Knows authoritative sources, URL patterns, Firecrawl configuration, and 2026 legal landscape.

curiositech/windags-skills

Expert in 3D computer vision labeling tools, workflows, and AI-assisted annotation for LiDAR, point clouds, and sensor fusion. Covers SAM4D/Point-SAM, human-in-the-loop architectures, and vertical-specific training strategies. Activate on '3D labeling', 'point cloud annotation', 'LiDAR labeling', 'SAM 3D', 'SAM4D', 'sensor fusion annotation', '3D bounding box', 'semantic segmentation point cloud'. NOT for 2D image labeling (use clip-aware-embeddings), general ML training (use ml-engineer), video annotation without 3D (use computer-vision-pipeline), or VLM prompt engineering (use prompt-engineer).

curiositech/windags-skills

Implement WCAG 2.2 AA/AAA compliance with automated testing, keyboard navigation, screen reader support, and focus management. Activate on: accessibility audit, WCAG compliance, keyboard navigation, screen reader, aria attributes, axe-core, focus trap. NOT for: design-level accessibility review (use design-accessibility-auditor), color contrast only (use css-in-js-architect).

curiositech/windags-skills

Time-blind friendly planning, executive function support, and daily structure for ADHD brains. Specializes in realistic time estimation, dopamine-aware task design, and building systems that actually work for neurodivergent minds.

curiositech/windags-skills

Designs digital experiences for ADHD brains using neuroscience research and UX principles. Expert in reducing cognitive load, time blindness solutions, dopamine-driven engagement, and compassionate design patterns. Activate on 'ADHD design', 'cognitive load', 'accessibility', 'neurodivergent UX', 'time blindness', 'dopamine-driven', 'executive function'. NOT for general accessibility (WCAG only), neurotypical UX design, or simple UI styling without ADHD context.

curiositech/windags-skills

>- Apply crisis decision-making research to agent routing, uncertainty triage, and coordination failure analysis in time-pressured systems. Use when diagnosing handoff failures, analytical paralysis, or expert judgment under incomplete information. NOT for routine coding, simple CRUD design, or static single-agent tasks with complete information.

curiositech/windags-skills

Extend and modify the admin dashboard, developer portal, and operations console. Use when adding new admin tabs, metrics, monitoring features, or internal tools. Activates for dashboard development, analytics, user management, and internal tooling.

curiositech/windags-skills

Conversation patterns and interaction protocols for multi-agent systems. Covers request/response, pub/sub, blackboard, delegation chains, debate, critique, consensus, fan-out/fan-in, supervisor-worker, and peer negotiation. Deep analysis of AutoGen conversation patterns, CrewAI delegation, LangGraph state passing, and FIPA-ACL performatives. Teaches how to design what agents say to each other and in what order. Activate on: "agent conversation", "agent protocol", "multi-agent debate", "agent delegation", "supervisor worker pattern", "agent voting", "consensus protocol", "fan-out fan-in", "agent negotiation", "blackboard pattern", "agent dialogue", "conversation topology", "agent handoff". NOT for: wire format or serialization (use agent-interchange-formats), orchestration infrastructure (use agentic-infrastructure-2026), single agent behavior (use agentic-patterns).

curiositech/windags-skills

Meta-agent for creating new custom agents, skills, and MCP integrations. Expert in agent design, MCP development, skill architecture, and rapid prototyping. Activate on 'create agent', 'new skill', 'MCP server', 'custom tool', 'agent design'. NOT for using existing agents (invoke them directly), general coding (use language-specific skills), or infrastructure setup (use deployment-engineer).

curiositech/windags-skills

AI-powered calendar management and agent-based scheduling coordination. Covers calendar APIs (Google Calendar, CalDAV/iCal), AI scheduling assistants (Reclaim, Clockwise, Motion, Cal.com), building custom calendar agents with MCP, multi-calendar merging, timezone management, focus block protection, meeting fatigue detection, and agent-to-agent meeting negotiation protocols. Activate on: "calendar agent", "AI scheduling", "calendar coordination", "meeting scheduling", "calendar API", "focus time protection", "calendar optimization", "Google Calendar MCP", "Reclaim", "Clockwise", "Motion", "Cal.com", "smart scheduling", "calendar-aware agent", "timezone scheduling", "agent negotiation meetings". NOT for: manual calendar UI component design (use form-validation-architect), project management scheduling or Gantt charts (use project-management-guru-adhd), general time-tracking or pomodoro apps (use adhd-daily-planner for time-awareness), building the agent itself from scratch (use agent-creator).

curiositech/windags-skills

Build and adopt production AI agent infrastructure in 2026. Covers framework selection (LangGraph, CrewAI, AutoGen, MCP), orchestration patterns, evaluation, observability, memory systems, and tool use. Also covers the SOCIAL dimension: how to sell agent infrastructure internally, change management, measuring ROI, building trust in autonomous systems, and scaling adoption across teams. Activate on: "agent infrastructure", "agent framework comparison", "which agent framework", "sell AI tools internally", "agent adoption", "agent observability", "agent evaluation", "MCP architecture", "agentic mesh", "enterprise AI agents", "AI change management", "agent ROI". NOT for: building specific agents (use ai-engineer), designing agent behavior patterns (use agentic-patterns), prompt tuning (use prompt-engineer).

curiositech/windags-skills

Fundamental patterns for effective agentic behavior. Teaches decomposition, tool orchestration, error recovery, context management, quality self-assessment, and knowing when to stop. Model-agnostic principles that make any agent more effective regardless of domain. Activate on: "how should I structure this agent", "agentic workflow", "agent patterns", "multi-step task", "tool orchestration", "/agentic-patterns", "decompose this", "agent best practices", "chain of actions", "when should the agent stop", "agent loop design". NOT for: creating agent infrastructure (use agent-creator), building DAGs (use windags-architect), specific tool implementation.

curiositech/windags-skills

Automated discovery and matching of agent skills for dynamic task routing and capability assessment

curiositech/windags-skills

Cryptographic security for agentic systems — zero-trust agent networking, signed message envelopes (JWS/JWE), capability-based security (ocaps), Merkle tree audit trails, WASM sandboxing, and formal verification. Covers CLI dev tool security, mTLS between agents, permission boundaries (least privilege for AI agents), and supply chain security for skills/plugins. Activate on: "agent security", "zero trust agents", "secure agent communication", "capability-based security", "ocap", "signed messages between agents", "agent audit trail", "sandbox agent execution", "agent permissions", "mTLS agents", "cryptographic verification", "agent supply chain", "OWASP agentic", "prove agent did X", "tamper-proof agent logs". NOT for: application-level SAST scanning (use security-auditor), network firewall rules (use infrastructure), SOC2/HIPAA compliance (organizational), or prompt injection defense (use prompt-engineer).

curiositech/windags-skills

Data structures and serialization formats for agent-to-agent communication. Covers message envelopes, structured output schemas, capability declarations, task handoff payloads, error/retry signaling, and context windows as data structures. Deep comparison of A2A protocol, MCP, OpenAI function calling, and LangChain message types. Teaches when to use rigid schemas vs free-form with validation, typed vs untyped, streaming vs batch. Activate on: "agent message format", "agent communication schema", "agent-to-agent protocol", "A2A protocol", "MCP message format", "structured output for agents", "agent interop", "interchange format", "agent serialization", "task handoff format", "capability declaration". NOT for: what agents say to each other (use agent-conversation-protocols), orchestration topology (use multi-agent-coordination), building agent infrastructure (use agentic-infrastructure-2026).

curiositech/windags-skills

Logic-based agent programming language implementing BDI architecture for practical autonomous agent development

curiositech/windags-skills

>- Design AgentSpeak(L)-style BDI agents with context-guarded plans, selection functions, and intention stacks. Use for interruptible autonomy, agent policy, and multi-agent orchestration in dynamic environments. NOT for simple rule engines, static planners, or centralized workflows.

curiositech/windags-skills

Foundational concurrent computation model where actors communicate exclusively through asynchronous message passing

curiositech/windags-skills

Build production-ready LLM applications, advanced RAG systems, and intelligent agents. Implements vector search, multimodal AI, agent orchestration, and enterprise AI integrations. Use PROACTIVELY for LLM features, chatbots, AI agents, or AI-powered applications.

curiositech/windags-skills

Expert in 2000s-era music visualization (Milkdrop, AVS, Geiss) and modern WebGL implementations. Specializes in Butterchurn integration, Web Audio API AnalyserNode FFT data, GLSL shaders for audio-reactive visuals, and psychedelic generative art. Activate on "Milkdrop", "music visualization", "WebGL visualizer", "Butterchurn", "audio reactive", "FFT visualization", "spectrum analyzer". NOT for simple bar charts/waveforms (use basic canvas), video editing, or non-audio visuals.

Skills relacionados