Communitygithub.com

curiositech/windags-skills

Langage de programmation d'agents basé sur la logique implémentant l'architecture BDI pour un développement pratique d'agents autonomes.

Qu'est-ce que windags-skills ?

Ce skill fournit une implémentation pratique du langage AgentSpeak(L) et de l'architecture BDI (Belief-Desire-Intention) pour le développement d'agents autonomes. Il permet aux agents de percevoir leur environnement, de délibérer sur leurs objectifs et d'agir en gérant des buts concurrents et en répondant aux événements sans abandonner les tâches en cours. Le skill détaille les fonctions de sélection essentielles (SE, SO, SI), les mécanismes de récupération après échec de plan, et l'impact des mises à jour de croyances sur les intentions actives. Il couvre également les modes de défaillance courants (basculement de plan, paralysie par croyances obsolètes, boucles d'intentions infinies, anti-patron de politique dans les plans, et goulot d'étranglement à intention unique) avec des symptômes, des causes et des correctifs. Deux exemples concrets illustrent l'allocation de tâches multi-agents et la gestion des interruptions. Le skill précise les cas d'usage appropriés (systèmes réactifs avec objectifs persistants dans des environnements dynamiques) et ceux qui ne le sont pas (systèmes purement réactifs, planification statique, systèmes temps réel, pipelines de données).

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/curiositech/windags-skills/tree/HEAD/skills/agentspeak-bdi

Demander à votre IA préférée

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

Documentation

SKILL.md — AgentSpeak(L) & Architecture d'Agent BDI

Lorsque des entités autonomes doivent percevoir, délibérer et agir tout en gérant des objectifs concurrents et en répondant aux événements sans abandonner le travail en cours.


Points de Décision

Sélection d'Architecture Principale

SI le système nécessite uniquement une réaction aux événements sans objectifs persistants
  → Utiliser un système réactif/règle (BDI est excessif)
SINON SI le système nécessite une planification dans un environnement statique sans interruptions  
  → Utiliser un planificateur classique
SINON SI le système nécessite à la fois réactivité ET persistance des objectifs dans un environnement dynamique
  → Utiliser l'architecture BDI

Tableau d'Invocation des Fonctions de Sélection

SituationFonction UtiliséeCritères de Décision
Nouvel événement arriveSE (Sélection d'Événement)Priorité, urgence, contraintes de ressources
L'événement nécessite un planSO (Sélection d'Option)Gardes de contexte, historique de succès du plan, tolérance au risque
Plusieurs intentions activesSI (Sélection d'Intention)Échéances, allocation des ressources, politique d'équité
Un plan échoueSO puis SITrouver un plan de gestion d'échec, puis replanifier les intentions

Arbre de Décision pour la Récupération d'Échec de Plan

Le plan P échoue lors de l'exécution de l'action A :
SI un plan de gestion d'échec existe pour ce type d'échec
  → Publier un événement d'échec, laisser SO sélectionner le plan de récupération
  → Continuer avec la pile d'intentions modifiée
SINON SI des plans alternatifs existent pour le même événement déclencheur
  → Revenir à l'événement, laisser SO essayer le prochain plan applicable  
  → Retirer le plan défaillant de la considération
SINON SI aucune alternative disponible
  → Propager l'échec vers le haut de la pile d'intentions
  → SI un plan parent existe → déclencher un événement d'échec au niveau parent
  → SINON abandonner complètement l'intention

Évaluation de l'Impact des Mises à Jour de Croyances

Nouvelle croyance B arrive :
SI B contredit des croyances existantes
  → Exécuter le protocole de révision des croyances
  → Vérifier toutes les intentions actives pour les violations de gardes de contexte
  → SI le contexte n'est plus valide → suspendre l'intention (ne pas l'abandonner)
SINON SI B active de nouveaux plans applicables
  → Vérifier la file d'événements pour les événements dormants qui ont désormais des plans applicables
  → Reprioriser en utilisant SE
SINON SI B satisfait les conditions d'un objectif en attente  
  → Marquer la réalisation, nettoyer les intentions associées
  → Publier un événement de réalisation pour le nettoyage du plan

Modes de Défaillance

1. Basculement de Plan (Plan Thrashing)

Symptômes : L'agent alterne rapidement entre les plans sans progresser ; le même événement déclenche différents plans de manière répétée. Règle de Détection : Si le même événement est traité >3 fois en N cycles d'exécution avec des sélections de plans différentes à chaque fois, vous avez un basculement de plan. Cause Racine : La fonction SO (sélection d'option) est non déterministe ou les gardes de contexte sont trop faibles/se chevauchent. Correctif : Rendre SO explicitement ordonné par priorité ; renforcer les gardes de contexte pour qu'elles soient mutuellement exclusives ; ajouter l'historique de succès/échec des plans aux critères de sélection.

2. Paralysie par Croyances Obsolètes (Stale Belief Paralysis)

Symptômes : L'agent sélectionne des plans basés sur un modèle du monde obsolète ; les plans échouent immédiatement en raison de fausses hypothèses sur l'environnement. Règle de Détection : Si le taux d'échec des plans >50% et que les échecs sont dus à des violations de gardes de contexte au moment de l'exécution (pas au moment de la planification), vous avez des croyances obsolètes. Cause Racine : La fréquence de mise à jour des croyances est trop faible par rapport au taux de changement de l'environnement ; la révision des croyances ne se propage pas aux vérifications de contexte des intentions. Correctif : Augmenter la fréquence de perception ; ajouter des horodatages de vétusté des croyances ; suspendre les intentions lorsque leurs gardes de contexte deviennent invalides.

3. Boucles d'Intentions Infinies (Infinite Intention Loops)

Symptômes : L'agent crée des intentions qui publient des événements qui créent plus d'intentions pour le même objectif ; la pile d'intentions croît sans limite. Règle de Détection : Si la profondeur de la pile d'intentions augmente de manière monotone au fil du temps sans réalisations correspondantes d'objectifs, vous avez des boucles d'intentions. Cause Racine : Les plans créent des sous-objectifs qui finissent par revenir à l'objectif original sans conditions de terminaison. Correctif : Ajouter une détection de réalisation dans les gardes de contexte ; implémenter la subsomption d'intentions (fusionner les intentions en double) ; ajouter des limites de profondeur de récursivité maximales.

4. Anti-Patron de Politique dans les Plans (Policy-in-Plans Anti-Pattern)

Symptômes : Les mêmes événements déclenchent des comportements différents basés sur des conditionnelles à l'intérieur des corps de plans ; la politique de l'agent est dispersée et difficile à modifier. Règle de Détection : Si les corps de plans contiennent des conditionnelles de priorité/urgence (if high_priority then X else Y), la politique est au mauvais endroit. Cause Racine : La rationalité de l'agent est encodée dans la logique du plan au lieu des fonctions de sélection. Correctif : Déplacer toute la logique de priorité/politique vers les fonctions SE/SO/SI ; rendre les plans neutres en termes de politique et uniquement sensibles au contexte.

5. Goulot d'Étranglement à Intention Unique (Single-Intention Bottleneck)

Symptômes : L'agent ne peut pas gérer les interruptions ; les événements urgents attendent pendant que l'agent termine des tâches de longue durée ; pas de concurrence. Règle de Détection : Si l'agent a au plus une intention active à tout moment, vous avez un goulot d'étranglement à intention unique. Cause Racine : La fonction SI (ordonnancement des intentions) n'implémente pas la véritable concurrence ; traite les intentions comme exclusives plutôt que concurrentes. Correctif : Permettre plusieurs intentions actives ; implémenter un ordonnancement préemptif dans SI ; concevoir les plans comme des séquences interruptibles.


Exemples Pratiques

Exemple 1 : Allocation de Tâches Multi-Agents avec Conflits de Plans

Scénario : Deux agents (A1, A2) se coordonnent pour réaliser deliver(package, destination). Les deux ont des plans mais des capacités différentes.

État Initial :

  • Croyances A1 : location(A1, warehouse), can_carry(A1, small_items), location(package, warehouse)
  • Croyances A2 : location(A2, depot), can_carry(A2, any), has_vehicle(A2)
  • Croyance partagée : size(package, large), destination(customer_site)

Événement : +!deliver(package, customer_site) publié aux deux agents

Processus de Décision :

  1. Sélection de Plan A1 (SO) :

    • Plan P1 : +!deliver(X,Y) : can_carry(A1,small_items) & size(X,small) <- pickup(X); transport(X,Y)
    • La garde de contexte échoue : size(package,large) contredit size(X,small)
    • Aucun plan applicable → publie plan_failure(deliver, no_capability)
  2. Sélection de Plan A2 (SO) :

    • Plan P2 : +!deliver(X,Y) : can_carry(A2,any) & has_vehicle(A2) <- pickup(X); drive(X,Y); dropoff(X)
    • La garde de contexte réussit → P2 sélectionné
    • Crée l'intention I1 : [pickup(package), drive(package,customer_site), dropoff(package)]
  3. Mise à Jour des Croyances A1 :

    • Reçoit le message : attempting(A2, deliver, package)
    • Met à jour les croyances : +delegated(deliver, package, A2)
    • Abandonne l'intention échouée

Erreur de Débutant : Les deux agents tenteraient la livraison, créant des conflits de ressources. Aperçu d'Expert : La coordination se fait via le partage de croyances et les gardes de contexte de plan, pas via une connaissance d'agent codée en dur.

Exemple 2 : Gestion des Interruptions avec Reconsidération d'Intention

Scénario : Un agent exécutant une tâche de traitement de données de longue durée reçoit une alerte de sécurité urgente.

État Initial :

  • Intention active I1 : [process_batch(data1), process_batch(data2), generate_report()]
  • Exécution actuelle : au milieu de process_batch(data1) (prendra encore 10 minutes)

Événement : +security_alert(intrusion_detected, server_3)

Processus de Décision :

  1. Sélection d'Événement (SE) :

    • Priorités SE : security_events > routine_processing
    • security_alert sélectionné plutôt que de continuer I1
  2. Sélection de Plan (SO) :

    • Plan P3 : +security_alert(Type,Location) : has_admin_access <- isolate_system(Location); notify_team(Type)
    • Garde de contexte satisfaite → P3 sélectionné
    • Crée l'intention I2 : [isolate_system(server_3), notify_team(intrusion_detected)]
  3. Ordonnancement des Intentions (SI) :

    • Intentions actuelles : I1 (suspendue à process_batch(data1)), I2 (nouvelle, urgente)
    • Politique SI : les intentions de sécurité priment sur les intentions de traitement
    • Sélectionne I2 pour exécution
  4. Exécution :

    • Exécute isolate_system(server_3) immédiatement
    • Exécute notify_team(intrusion_detected)
    • I2 se termine, retirée de l'ensemble d'intentions
  5. Reprise :

    • Seule I1 reste : [process_batch(data1), process_batch(data2), generate_report()]
    • Reprend process_batch(data1) à partir du point de suspension

Erreur de Débutant : Ignorerait l'alerte de sécurité ou abandonnerait complètement la tâche de traitement. Aperçu d'Expert : La suspension d'intention préserve la progression tout en permettant un comportement réactif. La politique d'ordonnancement SI est explicite et configurable.


Contrôles de Qualité

  • L'architecture de l'agent a des fonctions de sélection SE, SO, SI explicites avec des politiques documentées
  • Chaque plan a un événement déclencheur et une garde de contexte bien définis qui peuvent être évalués par rapport aux croyances actuelles
  • La bibliothèque de plans inclut des plans de gestion d'échec pour chaque type de plan majeur (pas seulement les chemins de succès)
  • Le mécanisme de mise à jour des croyances peut gérer des informations contradictoires et propager les changements aux intentions actives
  • Plusieurs intentions peuvent être actives simultanément avec des règles claires d'ordonnancement/préemption
  • Le traitement de la file d'événements est priorisé (pas FIFO) avec une attribution de priorité explicite
  • Les échecs de plan déclenchent des événements plutôt que des crashs système ou des échecs silencieux
  • Les gardes de contexte sont mutuellement exclusives OU la sélection de plan est explicitement ordonnée pour éviter le non-déterminisme
  • L'agent peut expliquer ses actions en exposant la pile d'intentions et les événements déclencheurs
  • Les performances du système se dégradent gracieusement sous une charge d'événements élevée (pas de boucles infinies ni de débordement de pile)

Limites / NON-POUR (NOT-FOR Boundaries)

NON POUR : Systèmes simples basés sur des règles où tout le comportement est réactif (pas d'objectifs persistants) → UTILISER PLUTÔT : Moteur de règles basique ou système événement-action

NON POUR : Problèmes de planification statique où l'environnement ne change pas pendant l'exécution
→ UTILISER PLUTÔT : Planificateurs classiques (A*, STRIPS, HTN)

NON POUR : Systèmes temps réel nécessitant des temps de réponse garantis ou des échéances strictes → UTILISER PLUTÔT : Systèmes d'ordonnancement temps réel avec analyse temporelle

NON POUR : Systèmes où toute la coordination peut être gérée par un contrôleur central → UTILISER PLUTÔT : Orchestration de workflow ou file d'attente de tâches centralisée

NON POUR : Pipelines de transformation de données purs sans prise de décision autonome → UTILISER PLUTÔT : Outils ETL, frameworks de traitement de flux

NON POUR : Applications nécessitant l'apprentissage automatique ou l'inférence statistique comme capacité principale → UTILISER PLUTÔT : Frameworks ML avec BDI comme couche de coordination si nécessaire

Individual skills in this repo

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

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.

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

>- 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

license: Apache-2.0 NOT for unrelated tasks outside this domain.

Skills associés