Que fait skillforge ?
Système méta-agent à auto-évolution pour agents · Divulgation progressive pilotée par l'agent + Routage à trois niveaux (règles + bge + LLM R@1 = 98 %) + Évaluateur à huit dimensions + Boucle semi-automatique méta-agent · 4907 lignes Python · pytest 74/74
Aperçu
SuperGODOG/skillforge est un système méta-agent conçu pour permettre aux agents IA existants (comme Claude Code, Cursor, Codex) d'évoluer et d'améliorer leurs compétences de manière semi-autonome. Il offre une architecture modulaire qui combine classification basée sur des règles, embeddings vectoriels (BGE) et prise de décision par LLM pour acheminer les requêtes vers la compétence la plus appropriée avec une précision de 98 %.
Fonctionnalités principales
- Divulgation progressive : les compétences sont révélées à l'agent au fur et à mesure de son exécution, réduisant la charge cognitive et améliorant la pertinence.
- Routage à trois niveaux : une combinaison de filtres basés sur des règles, d'un classifieur BGE et d'un LLM garantit un routage fiable.
- Évaluateur à huit dimensions : mesure la qualité de chaque compétence selon huit métriques (précision, rappel, latence, etc.).
- Boucle méta-agent : l'agent peut demander l'extension ou la modification de ses propres compétences, créant ainsi une boucle d'amélioration continue.
- Tests complets : 74 tests pytest garantissent la fiabilité et la stabilité.
Utilisation
Pour intégrer skillforge dans votre agent, suivez ces étapes :
- Installez les dépendances :
pip install -r requirements.txt
- Importez le routeur principal :
from skillforge.router import Router
router = Router()
skill = router.route("Déploiement d'une application Django sur AWS")
print(skill)
- Utilisez l'évaluateur pour mesurer la qualité :
from skillforge.evaluator import Evaluator
evaluator = Evaluator()
score = evaluator.evaluate(skill, métriques=["précision", "latence"])
Configuration
Créez un fichier config.yaml dans le répertoire racine :
router:
use_rules: true
use_bge: true
use_llm: true
evaluator:
dimensions:
- précision
- rappel
- latence
- évolutivité
- maintenabilité
- sécurité
- interopérabilité
- convivialité
Variables d'environnement
| Variable | Description | Valeur par défaut |
|---|---|---|
OPENAI_API_KEY | Clé API pour l'accès LLM | |
BGE_MODEL_PATH | Chemin vers le modèle BGE local | ./models/bge/ |
Exemple de pipeline
from skillforge.pipeline import Pipeline
pipeline = Pipeline()
résultat = pipeline.exécuter("Créer une API REST avec FastAPI")
print(résultat.skill_utilisé)
Tests
Exécutez tous les tests avec pytest :
pytest tests/ -v
Tous les 74 tests devraient passer.
Licence
Ce projet est sous licence MIT.
Contribution
Les contributions sont les bienvenues ! Veuillez ouvrir une issue ou soumettre une pull request.
Support
Pour toute question ou rapport de bug, veuillez contacter l'équipe via les issues GitHub.