Communitygithub.com

Construção de Arnês de Agente

Projete e otimize espaços de ação, definições de ferramentas e formatação de observação de agentes de IA para taxas de conclusão mais altas. Use ao definir ou revisar um agente.

O que é Construção de Arnês de Agente?

Esta skill fornece um guia abrangente para projetar e refinar o ambiente operacional de agentes de IA, focando em quatro áreas principais: qualidade do espaço de ação, qualidade da observação, qualidade da recuperação de erros e qualidade do orçamento de contexto. Ela ensina como definir nomes de ferramentas estáveis e explícitos, manter esquemas de entrada estreitos e retornar formas de saída determinísticas para garantir que o agente possa planejar e executar tarefas de forma confiável. Além disso, a skill aborda a granularidade adequada das ferramentas (micro, médio e macro) com base no risco e no custo de ida e volta, e especifica um formato de resposta de observação padronizado que inclui status, sumário, próximas ações e artefatos. Para tratamento de erros, ela define um contrato que exige dicas de causa raiz, instruções seguras de retry e condições de parada explícitas, enquanto as diretrizes de orçamento de contexto ajudam a manter os prompts de sistema mínimos e carregar habilidades grandes sob demanda. A skill também descreve padrões arquitetônicos como ReAct, Function-calling e uma abordagem híbrida recomendada, além de métricas de benchmarking como taxa de conclusão e pass@k, e identifica antipadrões comuns, como muitas ferramentas sobrepostas ou saídas opacas sem dicas de recuperação.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/agent-harness-construction

Perguntar na sua IA favorita

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

Documentação

O que Construção de Arnês de Agente faz?

Use esta habilidade quando estiver melhorando como um agente planeja, chama ferramentas, se recupera de erros e converge para a conclusão.

Modelo Central

A qualidade da saída do agente é limitada por:

  1. Qualidade do espaço de ação
  2. Qualidade da observação
  3. Qualidade da recuperação
  4. Qualidade do orçamento de contexto

Design do Espaço de Ação

  1. Use nomes de ferramentas estáveis e explícitos.
  2. Mantenha as entradas baseadas em esquema e estreitas.
  3. Retorne formas de saída determinísticas.
  4. Evite ferramentas abrangentes, a menos que o isolamento seja impossível.

Regras de Granularidade

  • Use micro-ferramentas para operações de alto risco (implantação, migração, permissões).
  • Use ferramentas médias para loops comuns de edição/leitura/pesquisa.
  • Use macro-ferramentas apenas quando o custo de ida e volta for o custo dominante.

Design de Observação

Cada resposta de ferramenta deve incluir:

  • status: success|warning|error
  • summary: resultado em uma linha
  • next_actions: acompanhamentos acionáveis
  • artifacts: caminhos de arquivo / IDs

Contrato de Recuperação de Erros

Para cada caminho de erro, inclua:

  • dica da causa raiz
  • instrução segura de retry
  • condição de parada explícita

Orçamento de Contexto

  1. Mantenha o prompt do sistema mínimo e invariável.
  2. Mova grandes orientações para habilidades carregadas sob demanda.
  3. Prefira referências a arquivos em vez de incorporar documentos longos.
  4. Compacte nos limites das fases, não em limites arbitrários de tokens.

Orientação de Padrão Arquitetônico

  • ReAct: melhor para tarefas exploratórias com caminho incerto.
  • Function-calling: melhor para fluxos estruturados determinísticos.
  • Híbrido (recomendado): planejamento ReAct + execução de ferramentas tipadas.

Benchmarking

Acompanhe:

  • taxa de conclusão
  • novas tentativas por tarefa
  • pass@1 e pass@3
  • custo por tarefa bem-sucedida

Antipadrões

  • Muitas ferramentas com semânticas sobrepostas.
  • Saída de ferramenta opaca sem dicas de recuperação.
  • Saída apenas de erro sem próximos passos.
  • Sobrecarga de contexto com referências irrelevantes.

Individual skills in this repo

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

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

api-connector-builder

Build a new API connector or provider by matching the target repo

Habilidades Relacionadas