Communitygithub.com

Workflow de Session Autonome

Structure reproductible en 5 phases pour les sessions d'agents autonomes : chargement de contexte, sélection de travail par niveaux, revendication de coordination, exécution et persistance de l'apprentissage. Empêche le travail dupliqué entre sessions concurrentes et garantit que chaque exécution produit des artefacts durables. Indépendant de l'environnement d'exécution — Claude Code, gptme, Codex ou tout agent à espace de travail persistant.

Qu'est-ce que Workflow de Session Autonome ?

Le *Workflow de Session Autonome* est un modèle en 5 phases conçu pour les sessions d'agents IA autonomes, garantissant l'absence de travail en double, la capture durable de l'apprentissage et une production orientée vers des artefacts significatifs plutôt que du mouvement. Il se compose des phases suivantes : **Chargement de contexte** (Phase 1) où l'agent charge son identité, l'état de session et le modèle de monde ; **Sélection de travail** (Phase 2) qui applique une hiérarchie de trois niveaux (tâches actives, gains rapides du backlog, auto-amélioration) avec une protection contre la monotonie ; **Revendication** (Phase 3) qui utilise un mécanisme de coordination pour éviter les conflits entre sessions concurrentes ; **Exécution** (Phase 4) qui promeut des livraisons précoces et fréquentes avec un budget de 50 minutes ; et **Persistance** (Phase 5) qui enregistre les journaux de session, met à jour l'état des tâches et écrit des leçons réutilisables. Le workflow est conçu pour être indépendant de l'environnement d'exécution et peut être adapté à tout agent offrant un espace de travail persistant, comme Claude Code, gptme ou Codex. Il inclut également une phase de vérification post-session pour s'assurer que chaque session produit des résultats durables et évite des pièges communs comme la convergence de travail ou l'oubli de la persistance des leçons.

Compatible avec✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/agentskillexchange/skills/tree/main/skills/autonomous-session-workflow

Demander à votre IA préférée

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

Documentation

Que fait Workflow de Session Autonome ?

Une structure reproductible en 5 phases pour les sessions d'agents autonomes qui empêche le travail dupliqué, garantit la capture durable de l'apprentissage et maintient le biais de production vers des artefacts livrés significatifs plutôt que du simple mouvement.

Éprouvé sur des milliers de sessions autonomes basées sur l'architecture gptme. Les phases sont indépendantes de l'environnement d'exécution — adaptez les outils spécifiques à votre pile tout en conservant la structure des phases intacte.

Quand l'utiliser

  • Au début de chaque session d'agent autonome (aucun humain ne dirige le travail en direct)
  • Lorsque l'agent doit sélectionner son propre travail à partir d'un backlog ou d'une file d'attente
  • Lorsque les sessions s'exécutent sans surveillance et doivent produire des artefacts durables

Quand ne pas l'utiliser

  • Sessions interactives où un humain fournit la prochaine instruction à chaque tour — répondez simplement
  • Invocations d'outils uniques avec un objectif fixe (aucune sélection nécessaire)
  • Appels de sous-agents issus d'une tâche parente (le parent a déjà sélectionné le travail)

Les 5 Phases

Phase 1 : Chargement de Contexte

Chargez l'identité de l'agent, l'état de la session et le modèle de monde actuel.

# Lire les fichiers d'identité — personnalité, objectifs, contraintes de fonctionnement
# (adaptez à votre pile : CLAUDE.md, AGENTS.md, prompt système, etc.)

# Lire le contexte dynamique — journal récent, file de tâches, état git, notifications
# (adaptez : un script de contexte, une inclusion pilotée par configuration, ou une injection de prompt)

# Évaluer les points en suspens des sessions précédentes :
#   - Revendications obsolètes qui devraient être terminées ou abandonnées
#   - Réponses en attente sur des issues/PR que vous avez promis de clore
#   - Branches en cours ou worktrees ouverts

Question clé : « Qu'ai-je laissé inachevé et qu'est-ce qui a changé pendant que j'étais hors ligne ? »

Si un point en suspens peut être résolu en moins de 5 minutes, traitez-le ici. Sinon, notez-le et passez à la suite.

Phase 2 : Sélection de Travail

Essayez les niveaux dans l'ordre jusqu'à trouver un travail réalisable. Les niveaux empêchent l'agent d'inventer des tâches chronophages alors que de vraies tâches existent, et empêchent la famine lorsque toutes les tâches sont bloquées.

Niveau 1 — Tâches actives : travail déjà en cours ; priorité la plus élevée
Niveau 2 — Gains rapides du backlog : éléments prêts pour les dépendances que vous pouvez terminer cette session
Niveau 3 — Auto-amélioration : lorsque toutes les tâches sont bloquées de manière externe
  ├─ Backlog d'idées (avancez l'idée la mieux notée)
  ├─ Auto-révision / audit (trouvez et corrigez un vrai problème)
  ├─ Amélioration des outils internes
  ├─ Documentation (uniquement la documentation obsolète)
  ├─ Qualité du code (vérification de types, tests, lint)
  └─ Qualité des leçons (réparez les leçons nuisibles ou obsolètes)

Garde anti-monotonie : Si la même catégorie a dominé les N dernières sessions, ignorez-la même si elle semble être le meilleur choix. La diversité des catégories est une fonction de contrainte pour apprendre de nouveaux modes d'échec.

Quand tout est sec : Si toutes les tâches des Niveaux 1/2 sont bloquées de manière externe et que les voies du Niveau 3 sont saturées (limites quotidiennes atteintes), rédigez un court journal de retenue enregistrant ce que vous avez vérifié et délibérément sauté. Un NOOP justifié est préférable à fabriquer du travail.

Phase 3 : Revendication

Avant d'exécuter, acquérez une revendication de coordination exclusive. Cela empêche deux sessions concurrentes d'exécuter le même travail, d'inonder le même fil de discussion PR ou d'écrire le même fichier.

# Modèle de coordination générique — adaptez l'outil à votre pile :
claim_key="task:<task-id>"          # pour un travail basé sur une tâche
claim_key="github:<owner>/<repo>#<num>"  # pour un travail basé sur une issue
claim_key="content:<slug>:<date>"   # pour la création de contenu/artefact

# Acquérir une revendication (exemple à l'aide d'un CLI de coordination) :
coordination work-claim "<session-id>" "$claim_key" --ttl 60
# CLAIMED → procéder
# DENIED  → une autre session est déjà dessus ; choisissez le candidat suivant

Règle de notification avant revendication : Toute action visible par d'autres (publier un commentaire, envoyer un message, ouvrir une PR) doit d'abord être protégée par une revendication. Les actions sociales sans revendications convergent et génèrent du spam — un modèle revendiqué-puis-publié empêche l'inondation.

À la fin : coordination work-complete "<session-id>" "$claim_key" En cas de pivotement/échec : coordination work-abandon "<session-id>" "$claim_key"

Phase 4 : Exécution

Faites un vrai travail. La discipline clé est la livraison, pas la perfection.

- Commitez tôt et souvent (commits petits et bien décrits)
- Exécutez les tests avant de commiter (détectez les problèmes avant que CI ne le fasse)
- Utilisez les commits conventionnels : feat/fix/docs/refactor/chore
- Poussez vers l'origine avant la fin de la session
- Si bloqué pendant plus de 10 minutes, passez à autre chose — ne dilapidez pas le budget dans un terrier de lapin
- N'ajoutez pas de fonctionnalités non demandées ou de dérive de périmètre

Budget de 50 minutes : La plupart des sessions autonomes devraient terminer un travail significatif en 50 minutes. Si la tâche est plus grande, livrez une tranche incrémentale et créez une tâche de suivi pour le reste.

Phase 5 : Persistance

La phase la plus sous-estimée. Tout ce qui est fait dans les Phases 1 à 4 s'évapore entre les sessions à moins d'être durablement engagé.

# 1. Écrire l'entrée de journal (fichier spécifique à la session, ajout seulement)
cat > journal/$(date +%Y-%m-%d)/session-<HASH>.md << 'EOF'
# Session <HASH>
**Date** : AAAA-MM-JJ
**Résultat** : productif|bloqué|noop — une phrase
**Catégorie** : code|recherche|stratégique|maintenance|...

## Pourquoi ce travail
[Ce qui a conduit ici]

## Ce que j'ai fait
[Modifications concrètes avec liens de commit/PR]

## Vérification
- [Tests réussis ? CI vert ?]

## Apprentissage Persisté
- État de la tâche : <tâche> → terminé/en attente
- Nouvelles leçons : [le cas échéant]
- « Aucun retour durable cette session » — si rien de vraiment à ajouter

## Suite
[Prochaine action claire ou facteur bloquant]
EOF

# 2. Mettre à jour l'état de la tâche
task edit <task-id> --set state done   # ou en attente, si bloqué

# 3. Si un schéma d'échec récurrent a été découvert, écrire une leçon/règle
#    (fichier de contexte correspondant par mots-clés injecté au début de la session suivante)

# 4. Pousser tous les commits
git push origin master

Règle de persistance d'abord : Si vous avez découvert quelque chose d'utile, écrivez la leçon AVANT de l'appliquer au travail en cours. Une fois le correctif en place, le mode d'échec semble résolu et la leçon est ignorée. Le journal capture ce qui s'est passé ; la leçon capture quand le reconnaître à nouveau.

Installation

Claude Code

Copiez ce répertoire de compétence dans le dossier de compétences de votre agent :

cp -R skills/autonomous-session-workflow ~/.claude/skills/autonomous-session-workflow

Puis invoquez avec /autonomous-session-workflow pour charger la liste de contrôle en 5 phases dans le contexte.

Manuel / tout environnement d'exécution

Copiez SKILL.md dans le chemin de contexte de votre agent et chargez-le au début de la session. Les phases sont en markdown simple — incluez tout le fichier ou choisissez les sections pertinentes pour votre pile.

Rationalisations Courantes

RationalisationRéalité
« Je vais sauter la revendication — je suis la seule session qui tourne en ce moment »Vous ne pouvez pas voir les autres sessions se lancer. Le déclenchement concurrent est la valeur par défaut sur les environnements d'exécution de production. La revendication est la barrière, pas l'observation.
« J'écrirai le journal après avoir terminé la prochaine tâche »Les sessions sont interrompues. Le journal est sauté. Écrivez-le avant de pousser, pas après « une dernière chose ».
« Cette tâche est presque terminée — je vais sauter la Phase 5 et juste commiter »L'apprentissage ne se cumule que s'il est persisté. La session qui a « presque » bouclé la boucle est celle dont la perspicacité disparaît à la prochaine exécution.
« Ma sélection est évidente — je n'ai pas besoin de parcourir les niveaux »La sélection qui saute les niveaux est la principale source de travail redondant et de PR en double. Les niveaux existent parce que « l'évidence » n'est souvent pas ce qui doit réellement être fait.
« La leçon est trop spécifique pour être réutilisable »Les leçons spécifiques (message d'erreur exact, commande exacte, mode d'échec exact) sont les plus précieuses — elles se déclenchent précisément quand nécessaire.
« Un NOOP justifié ressemble à un échec »Ce n'est pas le cas. Un commit de remplissage pour éviter l'étiquette NOOP brûle du quota, alimente le churn de convergence et cache le blocage. Un journal de retenue EST la livraison.

Drapeaux Rouges

  • Commencer l'exécution avant la revendication (risque de convergence)
  • Session se terminant sans journal et sans état de tâche mis à jour
  • Commiter « dans un instant » — si vous n'avez pas poussé avant de terminer, vous n'avez rien livré
  • Trois sessions consécutives dans la même catégorie sans pause de diversité forcée
  • « Je m'en souviendrai » — non, ce ne sera pas le cas ; écrivez la leçon maintenant

Vérification

Une session bien exécutée satisfait tous ces points avant de se fermer :

  • Revendication acquise avant d'agir (ou justification expliquant pourquoi aucune revendication n'était nécessaire)
  • Travail significatif commité et poussé
  • Tests réussis (ou échec connu documenté avec raison)
  • Entrée de journal écrite avec la section Apprentissage Persisté remplie
  • État de la tâche mis à jour (active → done, active → waiting, etc.)
  • Revendication terminée ou abandonnée (pas laissée comme bail en suspens)

Adaptation à Votre Pile

Concept gptmeVotre équivalent
gptodotout gestionnaire de tâches avec transitions d'état
coordination work-claimun fichier de verrouillage, Redis SETNX, ou une barrière de commentaire GitHub
lessons/<category>/name.mdtout fichier de contexte correspondant par mots-clés injecté au début de la session
journal/<date>/session-<hash>.mdtout journal de session en ajout seulement
cascade-selector.pyvotre heuristique de sélection de travail ou planificateur

Le modèle est la valeur, pas les outils spécifiques.

Connexes

  • self-push (dans ce catalogue) — vérification paresseuse avant de livrer toute sortie
  • pre-landing-review (dans ce catalogue) — barrière avant de fusionner des changements significatifs
  • multi-lens-review (dans ce catalogue) — révision structurée de PR sous plusieurs angles
  • five-element-spec (dans ce catalogue) — définition du périmètre avant de commencer le travail

Individual skills in this repo

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

Academic Paper Citation Network Mapper

Builds citation networks from Semantic Scholar API and CrossRef DOI metadata. Visualizes paper influence graphs using NetworkX, identifies seminal works, and tracks research lineage across fields.

ACF Custom Fields REST Exposer

Exposes Advanced Custom Fields data through the WordPress REST API using register_rest_field and acf_format_value. Handles repeater fields, flexible content layouts, and gallery fields with proper serialization.

ACF Extended for Advanced Custom Fields Workflows

An ASE skill built around ACF Extended, the WordPress enhancement suite for Advanced Custom Fields that adds field types, admin improvements, front-end forms, options pages, and developer tooling. It is a practical fit for agents working inside complex WordPress content models and custom field workflows.

ACF to Gutenberg Block Migrator

Converts Advanced Custom Fields field groups into native Gutenberg blocks using the ACF Block API v2 and @wordpress/scripts build pipeline. Maps ACF repeaters, groups, and flexible content to InnerBlocks and block attributes with server-side rendering via acf_register_block_type().

Activepieces Open Source Workflow Automation

Activepieces is an open-source, self-hostable workflow automation platform with 200+ integrations. It provides a visual builder for creating automated workflows and exposes all its connectors as MCP servers for AI agent use.

ActivityWatch Cross-Platform Automated Time Tracker and Producti

ActivityWatch is a privacy-first, open-source automated time tracker that records application usage, browser activity, and AFK status across Windows, macOS, and Linux. With 16k+ GitHub stars, it provides detailed productivity analytics without sending data to external servers.

act Local GitHub Actions Runner

act is an open-source CLI tool that runs GitHub Actions workflows locally using Docker, enabling fast feedback on workflow changes without pushing to GitHub. It is a standard tool for local Actions development and testing.

Add a browser review checkpoint before risky agent actions with

Use AgentClick when an agent should pause before risky commands, plans, drafts, or code changes so a human can inspect, edit, approve, or reject them in a purpose-built browser UI.

Add Claude design-system and accessibility workflows with UX/UI

Use UX/UI Agent Skills when Claude should generate tokens, component specs, accessibility audits, and framework-specific UI code from a repeatable design workflow.

Add executable smoke tests for shell scripts and CLIs before ref

Use Bats-core when an agent needs to turn fragile shell scripts or command-line workflows into something it can verify repeatedly after edits. The agent writes focused Bash tests for success paths, failure paths, and output contracts, then runs them locally or in CI before a refactor, release, or incident fix goes out.

Add graph-backed memory and context retrieval to agent workflows

Use Cognee to ingest project knowledge into graph and vector memory so agents can retrieve durable context across sessions and workflows.

Add IDE-style semantic code navigation and symbol-safe refactors

Give a coding agent symbol-aware lookup, cross-file rename, and structural edit tools before it starts making brittle text-only changes.

Add managed long-term memory to LangGraph agents with LangMem

Give LangGraph agents memory management and search tools so they can store, retrieve, and update durable facts across sessions.

Add multimodal lifelong memory to MCP and Python agents with Sim

Use SimpleMem to store, compress, index, and retrieve text or multimodal memories for agents through MCP or Python integrations.

Add persistent project memory and hook-driven synthesis with Cla

Keep Claude Code sessions grounded in prior decisions, project context, and daily handoff notes instead of starting from zero every time.

Add Postgres-native vector retrieval to agent and RAG workflows

Store embeddings beside application data in Postgres, create vector indexes, and query nearest neighbors for semantic search, RAG, recommendations, or agent memory retrieval.

Address GitHub PR review comments from the current branch with g

Find the open PR for the current branch, gather unresolved review comments, and drive a focused comment-resolution workflow with gh-authenticated context.

Add runtime guardrails to TypeScript agents with VoltAgent

Use VoltAgent to intercept, validate, and enforce input/output policies in TypeScript agent workflows.

Add temporal context memory to agent workflows with Zep

Use Zep as an external context layer for agents that need to store events, assemble temporal graph context, and retrieve relevant memory before model calls.

Adobe Firefly API Batch Image Generator

Calls Adobe Firefly

Skills associés