OWL (Optimized Workforce Learning) Pipeline

Active le pipeline multi-agent découplé OWL : utilise DeepInvestigator pour l'analyse des causes racines et les attaques de cas limites, et DeepCoder pour la synthèse de code vérifiée et l'amélioration itérative.

Qu'est-ce que OWL (Optimized Workforce Learning) Pipeline ?

La compétence OWL (Optimized Workforce Learning) transforme un problème de génie logiciel complexe en un flux de travail multi-agent découplé et discipliné. Elle divise systématiquement la tâche en deux étapes fondamentales : l'investigation profonde puis la mise en œuvre vérifiée. DeepInvestigator effectue d'abord une analyse exhaustive des causes racines, audite les contraintes invariantes et teste les cas limites agressifs avant toute modification de code. Une fois les exigences vérifiées et les pièges identifiés, DeepCoder synthétise une solution qui respecte tous les invariants découverts, applique des portes de compilation et vérifie l'absence de régressions sur l'ensemble du graphe d'appels. Ce pipeline est conçu pour minimiser les correctifs superficiels, réduire les erreurs de refactoring et garantir que chaque changement de code repose sur une compréhension causale solide. Il est compatible avec les environnements d'agents disposant de sous-agents natifs (DeepInvestigator et DeepCoder) et s'invoque via la commande `/owl` dans des espaces de travail hérités.

Compatible avec~Claude Code~Codex CLI~Cursor✓Antigravity
npx skills add https://github.com/MaDxCRaZY/antigravity-skills/tree/HEAD/skills/owl

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Pipeline OWL (Optimized Workforce Learning)

La commande /owl active l'architecture d'ingénierie multi-agent découplée d'Antigravity. Au lieu de deviner en un seul passage ou de corriger le symptôme B avec le correctif A, OWL divise la tâche en deux pipelines découplés spécialisés : DeepInvestigator et DeepCoder.


Présentation de l'architecture

Sous-agent spécialisteDomaine d'interventionSignature d'invocationMode espace de travail
DeepInvestigatorAnalyse des causes racines, tests de limites, audits d'invariants, attaques de cas limitesinvoke_subagent(TypeName='DeepInvestigator', ...)Workspace='inherit'
DeepCoderSynthèse de code couche 0, vérification par compilateur, prévention des régressions, raffinement itératifinvoke_subagent(TypeName='DeepCoder', ...)Workspace='inherit'

(Remarque : DeepInvestigator et DeepCoder sont des sous-agents natifs intégrés pris en charge par le moteur d'exécution principal).


Séquence d'exécution

Lorsque l'utilisateur invoque /owl :

Étape 1 : Investigation et falsification d'hypothèses (DeepInvestigator)

  1. Pour tout bogue, refactorisation, choix architectural ou investigation d'échec, lancer DeepInvestigator en premier avant d'écrire du code de production :
    {
      "TypeName": "DeepInvestigator",
      "Role": "Deep Investigator",
      "Workspace": "inherit",
      "Prompt": "Effectuer une investigation exhaustive des causes racines. Cartographier les chaînes d'appels complètes, auditer les contraintes invariantes, tester les cas limites et se demander : 'Que se passe-t-il si X, Y, Z, F, G se produisent ?' Formuler des hypothèses vérifiables."
    }
    
  2. Ne pas passer à l'implémentation tant que DeepInvestigator n'a pas rapporté ses conclusions, les pièges identifiés et les exigences invariantes strictes.

Étape 2 : Implémentation et raffinement (DeepCoder)

  1. Transmettre les exigences vérifiées, les invariants et les cas limites de l'étape 1 à DeepCoder :
    {
      "TypeName": "DeepCoder",
      "Role": "Deep Coder",
      "Workspace": "inherit",
      "Prompt": "Implémenter la solution satisfaisant tous les invariants découverts par DeepInvestigator. Appliquer les portes de compilation, vérifier les consommateurs avals dans l'ensemble du graphe d'appels et exécuter les suites de tests."
    }
    
  2. DeepCoder exécute des cycles d'amélioration itérative jusqu'à ce que toutes les portes soient franchies sans régression.

Étape 3 : Synthèse et vérification

  1. Vérifier les appelants avals dans l'ensemble de l'arbre d'appels.
  2. Confirmer l'absence de dommages collatéraux avant de présenter les résultats à l'utilisateur.

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

Skills associés