Communitygithub.com

Exército de Agentes (Agent Army)

Implanta uma hierarquia de agentes paralela de 2 camadas para trabalhos grandes e paralelizáveis — grandes refatorações, migrações multi-arquivo, auditorias abrangentes de código, geração em massa. Um comandante de alto nível orquestra os enxames; o usuário escolhe um nível de potência que define a combinação de modelos Opus/Sonnet/Haiku por camada.

O que é Exército de Agentes (Agent Army)?

Esta skill implementa um framework de execução paralela de 2 camadas chamado 'Agent Army'. A ideia central é substituir um único contexto de janela dividido (enxame) por vários agentes independentes, cada um com sua própria janela de contexto de 1 milhão de tokens. O Comandante (modelo Fable ou Opus) realiza a inteligência: reconhecimento, composição, briefing e verificação. Em seguida, orquestra enxames de modelos subordinados, cujos níveis o usuário escolhe no momento da implantação (via Power Level). Cada agente da Camada 1 possui sua própria janela de contexto completa e pode gerar de 2 a 50+ subagentes na Camada 2. O resultado são muitos cérebros independentes trabalhando em paralelo, não um único cérebro dividido. A skill inclui segurança via Git (checkpoint), níveis de dimensionamento (tamanho do exército), um portão de implantação pré-execução, verificação de conclusão fantasma (phantom-completion) e ondas de acompanhamento (execute, audit, propagate, notify). É ideal para refatorações grandes, migrações multi-arquivo, auditorias de código e transformações em massa, mas não deve ser usada para tarefas com menos de 6 unidades de trabalho independentes ou que exigem uma voz autoral coerente.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/OneWave-AI/claude-skills/tree/HEAD/agent-army

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

O que Exército de Agentes (Agent Army) faz?

Um framework de execução paralela de 2 camadas. O Comandante é o modelo de nível superior — Fable por padrão, ou Opus se esse for o modelo da sessão — e faz o pensamento: reconhecimento, composição, briefing, verificação. Ele orquestra enxames de modelos subordinados cujos níveis o usuário escolhe no momento da implantação (veja Power Level). Cada agente da Camada 1 tem sua própria janela de contexto completa (não uma fatia). Cada um gera subagentes da Camada 2 abaixo dele. O resultado são muitos cérebros independentes executando ao mesmo tempo — não um cérebro dividido.

Comandante (você — Fable ou Opus, o modelo da sessão)
 |
 |-- Camada 1: Equipe (3 a 50+, cada um = próprio contexto de 1M, nível L1 do power level)
 |    |-- Agente A (1M) -- Subagente A1, A2, ...  (nível L2)
 |    |-- Agente B (1M) -- Subagente B1, B2, ...  (nível L2)
 |    |-- Agente C (1M) -- Subagente C1, C2, ...  (nível L2)
 |    |-- ... (sem limite)

Enxame vs. exército: Um enxame divide uma janela de contexto entre subagentes — um cérebro, dividido. Um exército dá a cada membro da Camada 1 sua própria janela. Essa diferença é o objetivo principal desta skill.

Quando usar

  • Grandes refatorações que abrangem muitos arquivos
  • Migrações multi-arquivo de cor / estilo / nomenclatura / API
  • Auditorias abrangentes de código (segurança, acessibilidade, desempenho, código morto)
  • Geração ou transformação de conteúdo em massa
  • Qualquer tarefa com 6+ unidades independentes de trabalho que podem ser executadas simultaneamente

Quando NÃO usar

  • Menos de 6 unidades independentes de trabalho — apenas faça diretamente
  • Dependências sequenciais pesadas onde cada etapa precisa da saída da anterior
  • Alterações em um único arquivo
  • Tarefas que precisam de uma voz autoral coerente em toda a saída (agentes paralelos divergem)

Se a tarefa não se encaixar claramente, diga e proponha fazê-la inline em vez de montar um exército.

<regras-obrigatórias>

REGRAS OBRIGATÓRIAS

  1. TODO agente da Camada 1 DEVE gerar 2+ subagentes. Sem exceções. Se você estiver prestes a implantar um agente L1 sem subagentes, PARE e reestruture.
  2. NUNCA reduza silenciosamente o exército. Corresponda ao nível escolhido pelo usuário. Se precisar desviar, diga em voz alta e explique o porquê. 2b. NUNCA faça downgrade silencioso de modelos. Passe model: explicitamente em cada chamada de Agente no nível de potência escolhido pelo usuário. Omitir herda o modelo da sessão — isso é uma conta silenciosa de Max Power.
  3. Instruções de implantação de subagentes vão DENTRO do briefing da Camada 1. Se estiverem faltando, os subagentes nunca serão criados.
  4. Relate à medida que os agentes concluem: [Agente N/M completo] nome: X arquivos modificados, Y sinalizadores.
  5. Mostre o plano do exército e passe o Portão de Implantação antes de implantar (Modo Completo). O Modo Rápido compõe o plano internamente, mas ainda passa pelo Portão.
  6. Após cada onda: execute a compilação E a verificação de conclusão fantasma (veja Verificar). Um relatório verde de um agente é uma alegação, não uma prova.
  7. "Continue" / "não pare" = modo contínuo: lance um novo agente no momento em que um concluir. Não espere, não pergunte novamente. </regras-obrigatórias>

Tamanho do Exército

Confirme um nível antes de começar. Apresente esta tabela:

| Nível        | Agentes L1 | Total c/ Subagentes | Est. Tokens  |
|--------------|------------|---------------------|--------------|
| Conservador  | 3          | ~9                  | ~200-500K    |
| Padrão       | 5-10       | ~15-30              | ~500K-1.5M   |
| Agressivo    | 10-20      | ~30-60              | ~1.5-4M      |
| Máximo       | 20-50+     | ~60-100+            | ~4M+         |
| Personalizado| você escolhe| você escolhe        | varia        |

Padrão para Padrão em "apenas faça." Após o reconhecimento (Etapa 3), recomende um número específico com base no que você encontrou — por exemplo, "35 arquivos em 6 domínios → Agressivo: 8 agentes L1, 2-3 subagentes cada (~22 total, ~2M tokens). Ajustar?" As estimativas de tokens são aproximadas e escalam com a complexidade da tarefa.

Nível de Potência (Power Level)

O tamanho define quantos agentes; a potência define quais modelos. Pergunte ambos em uma pergunta (AskUserQuestion funciona bem — tamanho e potência como duas perguntas em uma chamada). Pule perguntar se o usuário já nomeou um nível de potência ou modelos explícitos.

| Nível de Potência   | Comandante           | Camada 1 | Camada 2 | Melhor Para                                       |
|---------------------|----------------------|----------|----------|---------------------------------------------------|
| Max Power           | Fable/Opus (sessão)  | Opus     | Opus     | refatorações complexas, migrações críticas de correção|
| Pesado (recomendado)| Fable/Opus (sessão)  | Opus     | Sonnet   | a maioria das tarefas grandes — orquestração inteligente, execução rápida|
| Balanceado          | Fable/Opus (sessão)  | Sonnet   | Sonnet   | migrações mecânicas com padrões claros             |
| Econômico           | Fable/Opus (sessão)  | Sonnet   | Haiku    | alto volume, localizar/substituir muito simples    |

Regras:

  • O Comandante é sempre o modelo da sessão — Fable ou Opus, escolha do usuário — e nunca é delegado. Se a sessão estiver executando Sonnet ou Haiku, avise o usuário para trocar (/model ou claude --model fable) antes de implantar: a qualidade do comandante é o teto da qualidade do exército.
  • Passe o modelo explicitamente em cada chamada de Agente: model: "<nível L1>" para membros da equipe; briefings L1 instruem model: "<nível L2>" para subagentes.
  • Escalonamento por agente é permitido em qualquer nível de potência: um arquivo pesado ou emaranhado (1000+ linhas, lógica complexa) pode elevar aquele subagente em um nível. Anote escalonamentos no plano do exército.
  • Ondas de auditoria executam em Opus independentemente do nível de potência — olhos novos e mais fortes no trabalho dos executores. Ondas de notificação podem cair para Haiku.

Protocolo

Modo: Se o escopo já for concreto (caminhos de arquivo, alterações exatas, nível), pule para a Etapa 3 (Modo Rápido). Caso contrário, comece na Etapa 1 (Modo Completo).

Etapa 1: Coleta (Modo Completo)

Confirme em uma linha se o usuário já forneceu contexto: "Objetivo: [X]. Escopo: [Y]. Nível: [Z]. Potência: [P]. Iniciando." Caso contrário, pergunte por: objetivo (uma frase), escopo (arquivos/dirs/"tudo"), restrições (não toque em X, corresponda a Y), nível e nível de potência.

Etapa 2: Ponto de Verificação Git

  1. git status — avise sobre alterações não commitadas, ofereça-se para stash/commit primeiro.
  2. git checkout -b agente-exercito/checkpoint-{timestamp} depois volte. Este é o ponto de reversão.
  3. Sem repositório git? Avise que não há rede de segurança e obtenha confirmação explícita.

Etapa 3: Reconhecimento

  1. Grep / Glob / Leia para encontrar cada arquivo afetado.
  2. Conte as unidades de trabalho.
  3. wc -l em cada arquivo. Sinalize arquivos com 500+ linhas como pesados → atribua individualmente.
  4. Classifique em domínios (por diretório, grafo de importação, tipo de arquivo, padrão de nomenclatura).
  5. Identifique dependências compartilhadas — arquivos de fundação importados em vários domínios. Trate estes primeiro (Etapa 5).
  6. Identifique o comando de compilação (package.json, Makefile, etc.).

Saída: Arquivos: N | Pesados: [lista] | Domínios: [lista] | Dependências compartilhadas: [lista] | Cmd compilação: [cmd]

Etapa 4: Composição

  1. Agente de Fundação para dependências compartilhadas — executa antes da onda paralela para que dependentes não entrem em conflito.
  2. Camada 1: um agente por domínio; divida domínios grandes em vários agentes.
  3. Camada 2: 2+ subagentes por agente L1, atribuídos por carga de arquivo ponderada, não por contagem de arquivos:
    • Pequeno (<200 linhas): 2-3 por subagente
    • Médio (200-500): 1-2 por subagente
    • Pesado (500+): 1 por subagente, individual
  4. Nomeie cada agente. Atribua cada arquivo a exatamente um subagente — sem sobreposições, sem lacunas.

Gere o plano do exército. Modo Completo: pause para "Prosseguir?" Modo Rápido: resumo de uma linha, depois implante.

Portão de Implantação

Gere esta lista de verificação em sua resposta antes de implantar. Não a verifique mentalmente — escreva-a.

PORTÃO DE IMPLANTAÇÃO:
[ ] Todo briefing L1 contém "Você DEVE gerar N subagentes"
[ ] Cada subagente é nomeado com arquivos específicos atribuídos
[ ] Cada arquivo é de propriedade de exatamente um subagente (sem sobreposição, sem lacuna)
[ ] Briefings L1 incluem instruções completas de implantação de subagentes
[ ] Nível corresponde à seleção do usuário
[ ] Nível de potência definido: model: "<nível L1>" em cada chamada L1; nível L2 + escalonamentos em cada briefing

Todos devem PASSAR. Qualquer FALHA → corrija o plano antes de implantar.

Etapa 5: Implantação

  1. Agente de Fundação primeiro (se houver), no nível L1. Aguarde a conclusão.
  2. Lance TODOS os agentes da Camada 1 em paralelo — run_in_background: true e model: "<nível L1>" em cada chamada, em uma única mensagem.
  3. Cada agente L1 gera seus subagentes L2 em paralelo (de acordo com seu briefing).
  4. Relate cada conclusão: [Agente N/M completo] nome: resultados.

Etapa 6: Verificação

  1. Re-escaneamento — execute novamente as pesquisas da Etapa 3 para violações restantes.
  2. Verificação de conclusão fantasma — execute git diff --stat e faça referência cruzada com os relatórios dos agentes. Qualquer agente que relatou "COMPLETO, N arquivos modificados" sem diff correspondente mentiu ou não operou — redespache-o. Confie no diff, não no relatório.
  3. Compilação — execute o comando de compilação. Registre PASSAR/FALHAR.
  4. Resolva sinalizadores entre equipes dos relatórios.
  5. Gere o relatório do exército:
Agentes: N | Arquivos modificados: N (confirmados por diff) | Pulados: N | Compilação: PASSAR/FALHAR
Sinalizadores: [lista] | Conclusões fantasmas capturadas: N | Reversão: git checkout agente-exercito/checkpoint-{timestamp}

Ondas

Cada onda é um novo exército menor e com especialização diferente. Pause para aprovação do usuário antes de cada uma. Máx. 4 ondas.

OndaNomeGatilhoPropósito
1Executarsemprefazer as alterações
2Auditarcompilação falha, violações restantes, 20+ arquivos, ou sinalizadores > 0novos agentes revisam Onda 1 quanto à correção/casos extremos
3Propagaralterações tocam APIs/tipos/interfaces; testes ou docs referenciam padrões antigosatualizar testes, docs, configs, chamadores downstream
4Notificarusuário opta por participarrascunhar descrição do PR, changelog, resumo Slack

O relatório de cada onda é o reconhecimento da próxima. Após cada uma, execute novamente a Verificação; pare quando o re-escaneamento estiver limpo e a compilação passar, ou em 4 ondas.

Retomar / bloco de anotações

Para execuções de múltiplas ondas ou interrompíveis, escreva .exercito-state.md após a Onda 1: arquivos modificados (confirmados por diff), sinalizadores abertos, problemas não resolvidos, decisões. Se uma execução for interrompida, a próxima invocação lê este arquivo e retoma da última onda limpa em vez de recomeçar. Pule para tarefas de onda única.

Modelo de Prompt da Camada 1

Isto é o que os agentes gerados realmente veem — a seção mais importante da skill.

Você é [NOME_DO_AGENTE], especialista em [DOMÍNIO].

Objetivo: [uma frase]
Padrões aprovados: [valores exatos — códigos hexadecimais, nomes de classe, formas de API]
Padrões proibidos: [o que remover/evitar]
Seus arquivos: [caminhos absolutos com contagens de linhas]
Regras: [restrições]. Pule arquivos que já usam padrões aprovados (idempotência).
Sinalize problemas fora de seus arquivos em "Sinalizadores para o Comandante" — NÃO os corrija.

CRÍTICO: Você DEVE usar a ferramenta Agente para gerar os subagentes listados abaixo. NÃO
faça o trabalho você mesmo. NÃO pule a geração. Implante TODOS os subagentes em uma única
mensagem com várias chamadas à ferramenta Agente, passando model: "[NÍVEL_L2]" em cada chamada
[nota: escalonamentos, exceto "NOME" que recebe model: "[nível superior]"].

Subagentes:
- "[NOME]": [arquivos com contagens de linhas]
- "[NOME]": [arquivos com contagens de linhas]

Passe para cada subagente: objetivo, seus arquivos, padrões aprovados/proibidos, regras,
formato de relatório. Após todos concluírem, agregue seus relatórios e verifique (relendo
ou usando grep) que nenhum padrão proibido permanece em seu domínio antes de relatar.

Modelo de Prompt da Camada 2

Você é [NOME_DO_SUBAGENTE], trabalhando sob [NOME_DO_MEMBRO_DA_EQUIPE].

Objetivo: [uma frase]
Arquivos que você possui: [caminhos absolutos com contagens de linhas — toque apenas nestes]
Padrões aprovados / proibidos: [valores exatos a usar e remover]
Regras: [restrições]. Pule arquivos já corretos. Sinalize problemas fora de seus arquivos —
NÃO os corrija.

Processo: leia cada arquivo completamente → verifique idempotência → aplique aprovados, remova proibidos
→ releia para confirmar que nenhum padrão proibido permanece.

Relatório: Arquivos Modificados (arquivo: N substituições), Arquivos Pulados (já corretos),
Sinalizadores para o Comandante, Problemas, Status (COMPLETO/PARCIAL/FALHOU).

Formato de Relatório

Cada agente retorna:

## Relatório: [Nome]
Arquivos Modificados:   [arquivo: N substituições]
Arquivos Pulados:    [arquivo: motivo]
Sinalizadores para o Comandante: [problema ou "Nenhum"]
Problemas:           [problema ou "Nenhum"]
Status:           COMPLETO / PARCIAL / FALHOU

Antipadrões

Estes são os modos de falha que esta skill existe para prevenir. Se você se pegar fazendo um, pare e corrija.

  • Fan-out fantasma — um agente L1 faz o trabalho sozinho em vez de gerar subagentes. Toda a vantagem de velocidade se perde. Reforçado pela Regra Obrigatória 1 + o Portão.
  • Conclusão fantasma — um agente relata COMPLETO sem editar nada. Capturado pela verificação cruzada git diff --stat, não confiando no relatório.
  • Redução silenciosa — executar silenciosamente 3 agentes quando o usuário escolheu Agressivo. Sempre mostre desvios.
  • Deriva de modelo — omitir model: em chamadas de Agente, fazendo cada subagente herdar silenciosamente o modelo do comandante. O usuário escolheu Econômico e recebeu conta de Max Power. Reforçado pela Regra Obrigatória 2b + o Portão.
  • Propriedade sobreposta — dois subagentes editando o mesmo arquivo → conflitos e edições perdidas. Reforçado por exatamente-um-proprietário no Portão.
  • Pular a fundação — tocar em dependentes antes que os arquivos compartilhados sejam atualizados → cascata de imports quebrados. Agente de Fundação executa primeiro.
  • Exército para um trabalho pequeno — 9 agentes para 4 arquivos é mais lento (sobrecarga de orquestração) e queima tokens. Veja "Quando NÃO usar."

Tratamento de Erros

  • Subagente falha → agente L1 tenta novamente seus arquivos ou gera um substituto.
  • Agente L1 falha → Comandante gera um substituto com o mesmo briefing.
  • Falha de compilação → diff contra o branch de checkpoint para isolar a quebra, depois execute uma onda de correção.
  • Conclusão fantasma → redespache os arquivos desse agente para um novo agente.
  • Idempotência em reexecução → os agentes verificam primeiro os padrões já aplicados, para que executar o exército duas vezes nunca aplique duas vezes.

Exemplo prático

Usuário

...

[truncado para tradução]

Individual skills in this repo

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

OneWave-AI/claude-skills

Generate animated videos and motion graphics from natural language descriptions. Creates a standalone Vite + React project with Framer Motion scenes that auto-play in the browser. Use when the user wants to create animations, motion graphics, video intros, animated presentations, or product demos.

OneWave-AI/claude-skills

Use before starting a product, feature, MVP, agent, automation, or integration build to identify the main pre-build risk and choose the smallest validation step. Trigger when the user asks whether to build, scope, validate, prioritize, or sanity-check an idea before implementation.

OneWave-AI/claude-skills

Post-mortem analysis when a client churns. Takes client history, engagement data, support tickets, usage logs, and exit feedback to produce a comprehensive churn autopsy with root cause classification, timeline of decline, and preventive measures.

OneWave-AI/claude-skills

Compose a premium, animated landing page section by section in Next.js + Tailwind + Motion (Framer Motion) — built on a real design system, with editorial copy and motion that feels human-crafted, not template-generated. Use when building or rebuilding a landing page, marketing site, or hero/feature/pricing/CTA sections that need to look production-ready and bespoke from day one.

OneWave-AI/claude-skills

Assemble 2-3 complementary experts to collaboratively analyze anything. Experts work together to explore topics from multiple expert angles.

OneWave-AI/claude-skills

Convert any topic into playable browser games. Types: trivia, matching, word puzzles, adventure games. Uses Phaser.js or Kaboom.js.

OneWave-AI/claude-skills

Turn a marketing brief or product offer into a finished short-form video ad built in HyperFrames — hook, script, shot-by-shot storyboard, scene-by-scene HTML composition, captions, and voiceover. Outputs platform cuts (vertical 9:16, square, 16:9). Use when you need a launch ad, product promo, social video, or paid-creative concept ready to render.

OneWave-AI/claude-skills

Turn a website URL, product docs, or a founder's rambling description into a tight 60-90 second explainer video built in HyperFrames -- problem/solution narrative, animated product walkthrough scenes, captions, and voiceover, ready for the homepage hero, sales emails, and onboarding.

OneWave-AI/claude-skills

Build promo videos for local businesses in HyperFrames -- the new-menu drop, the seasonal offer, the event announcement, the "we're hiring" post, the Google Business Profile clip. Restaurant, salon, gym, trades: 15-30 seconds, brand-clean, captioned, sized for Instagram, Facebook, and the profile.

OneWave-AI/claude-skills

Build a personalized product-demo or sales-walkthrough video in HyperFrames for a specific prospect or account — narrated screen-by-screen, branded to them, ending in a clear next step. Turns a generic demo into a "this was made for me" asset for outbound, follow-up, or deal acceleration. Use when you want to send a tailored video instead of booking another live call.

OneWave-AI/claude-skills

Turn real customer reviews, quotes, and case-study results into polished social-proof videos built in HyperFrames -- single-testimonial spotlights, review-wall montages, and stat-driven proof reels with captions and voiceover, cut for vertical, square, and wide. The highest-converting content most businesses never make.

OneWave-AI/claude-skills

Audit a codebase for LLM calls that are really classifications in disguise, then produce a costed swap plan for a System One model. Use when asked to cut AI inference cost or latency, when scoping a performance engagement for a client, when reviewing an agent loop that feels slow, or when asked "where could we use Jev here". Produces a ranked table of candidates with measured latency and dollar deltas.

OneWave-AI/claude-skills

Build and run a labelled eval set for a System One model (Jev, Von, or any typed-decision config), then sweep criteria wordings and thresholds against it. Use when a Jev/Von classification is wrong or unreliable, when choosing between the hosted API and a local open model, when tuning noul thresholds, or before shipping any typed-decision feature. Produces an accuracy-by-wording matrix and a calibrated threshold.

OneWave-AI/claude-skills

Wire a System One model (Jev, or an open reproduction like Von) into a product feature — routing, guardrails, scoring, classification. Use when replacing an LLM call that returns a label rather than prose, when adding a typed decision to an agent loop, or when deciding between the hosted Jev API and a local open model. Covers question design, the eval-set-first workflow, threshold calibration, confidence gates, and the traps measured on real data.

OneWave-AI/claude-skills

Optimize landing pages for conversions, performance, and SEO. Use when improving landing pages, increasing conversions, or optimizing page performance.

OneWave-AI/claude-skills

TAM/SAM/SOM calculator with deep market research. Produces comprehensive market-sizing.md with top-down and bottom-up estimates, methodology, data sources, assumptions, sensitivity ranges, growth projections, competitive landscape, and Mermaid visualizations. Use when user needs market size estimates, addressable market analysis, go-to-market sizing, investor-ready market analysis, or business plan market validation.

OneWave-AI/claude-skills

Generate unique personalized first lines for hundreds of prospects using company news, LinkedIn activity, and mutual connections. Saves 10+ hours of manual research per campaign. Use when you need personalized outreach at volume.

OneWave-AI/claude-skills

Review investment portfolios for risk, diversification, fees. Asset allocation recommendations, tax-loss harvesting, rebalancing.

OneWave-AI/claude-skills

Create multiple choice, true/false, fill-in-blank, matching quizzes. Auto-generate plausible distractors. Instant grading with explanations.

OneWave-AI/claude-skills

Enhanced skill navigator that maps conversation history, recommends multi-skill chains, identifies patterns from past usage, and learns from session outcomes. Goes beyond basic scout with deep context analysis and workflow orchestration.

Habilidades Relacionadas