Que fait autonomous-research-orchestrator ?
Une compétence Codex locale pour la recherche empirique à long horizon : orchestration Brain–Luna, expériences bornées, état persistant et rotation de contexte.
Une compétence Codex locale pour la recherche empirique à long horizon : orchestration Brain–Luna, expériences bornées, état persistant et rotation de contexte.
Cette compétence Codex, conçue pour une utilisation locale, permet de mener des recherches empiriques sur de longues périodes en orchestrant les agents Brain et Luna. Elle gère des expériences avec des limites claires, maintient un état persistant entre les sessions, et assure une rotation efficace du contexte pour éviter les dépassements de limite. Utile pour les développeurs et les agents d'IA qui travaillent sur des projets de recherche complexes nécessitant une mémoire à long terme et une gestion d'expériences itératives, elle prend en charge Codex et s'appuie sur des fichiers YAML pour la configuration et l'état. Son fonctionnement repose sur une architecture modulaire où Brain planifie et supervise, tandis que Luna exécute et suit les expériences, avec un système de checkpoint pour la persistance.
npx skills add PilgrimCh/autonomous-research-orchestratorInstalled? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Une compétence Codex locale pour la recherche empirique à long horizon : orchestration Brain–Luna, expériences bornées, état persistant et rotation de contexte.
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.