Communitygithub.com

Registro Decisão Recursiva

Use quando o usuário solicitar rollouts repetidos, processos de decisão marcados, busca em alta dimensão, otimização estocástica, exploração de ótimos locais, comparação de ensembles ou raciocínio recursivo com trilha de evidência visível.

O que é Registro Decisão Recursiva?

Este skill registra e gerencia processos de decisão recursivos e de alta complexidade, como repetidos rollouts ou raciocínio estilo 'Prime Gauss'. Ele mantém um 'livro-razão' (ledger) que documenta cada rodada de avaliação, incluindo ID, timestamp, informações ingeridas, espaço de busca, famílias de modelos e marcas de decisão. O objetivo é preservar a utilidade da repetição de tentativas, memória anterior e informações novas, enquanto evita a falsa sensação de certeza que loops repetitivos podem gerar. O skill suporta a criação de ledgers em JSONL para registros append-only e Markdown para resumos legíveis por humanos, e define regras claras para promoção de decisões, como gates de coerência, verificação de replay e aprovação explícita do usuário para ações ao vivo. É especialmente útil em cenários de trading, alocação de capital, deploys de produção, migrações ou operações destrutivas, onde a confiança recursiva não substitui a aprovação formal.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/recursive-decision-ledger

Perguntar na sua IA favorita

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

Documentação

O que Registro Decisão Recursiva faz?

Use este skill quando o usuário estiver tentando forçar computação mais profunda através de rollouts repetidos ou prompting recursivo estilo "Prime Gauss". Preserve a parte útil: tentativas repetidas, memória anterior, informações novas e marcas explícitas. Remova a parte insegura: fingir que o loop prova certeza.

Contrato do Livro-Razão

Cada rollout deve registrar:

  • id do rollout e timestamp;
  • vencedor aceito anterior e watchlist anterior;
  • informações novas ingeridas;
  • tamanho do espaço de busca;
  • famílias de modelos ou heurísticas usadas;
  • contagem de tentativas e contagem efetiva de tentativas;
  • principais candidatos;
  • marcas de decisão;
  • marcas de coerência em relação ao ledger anterior;
  • resultado do gate de promoção.

Prefira JSONL para ledgers append-only e Markdown para resumos humanos.

Loop de Rollout

  1. Carregue o ledger anterior.
  2. Capture novas informações no passo de tempo zero.
  3. Execute a busca limitada.
  4. Marque cada candidato: aceitar, observar, rejeitar, observação degradada ou necessita repetição.
  5. Compare vencedores com vencedores anteriores e o último rollout marcado.
  6. Rebaixe candidatos quando deriva, risco de cauda, dados obsoletos ou repetição falhada invalidar a marca anterior.
  7. Anexe artefatos antes de resumir.

Marca de Coerência

Inclua uma marca de coerência compacta:

Ensemble corresponde ao vencedor anterior: verdadeiro
Recursiva corresponde ao vencedor anterior: falso
Correspondência do rollout mais recente: verdadeiro
Promoção ao vivo permitida: falso
Motivo: gates de repetição e frescor não satisfeitos

Regras de Promoção

Para trading, alocação de capital, deploys de produção, migrações ou operações destrutivas, confiança recursiva não é aprovação.

Padrão para modo papel, dry-run, somente leitura, pré-visualização ou encenado, a menos que o usuário aprove explicitamente a ação ao vivo e o gate de repositório/suporte a suporte.

Promova apenas quando:

  • o candidato superar o vencedor aceito anterior na métrica escolhida;
  • verificações de correção e repetição passarem;
  • limites de risco forem explícitos;
  • a evidência for durável;
  • o usuário tiver aprovado a etapa ao vivo quando necessário.

Formato do Resumo

Lidere com a decisão, não com o drama:

Rollout 15 concluído. O vencedor anterior ainda se mantém, mas a borda deteriorou 17%.
Status: observar, não ao vivo. Próximo gate: 20 preenchimentos de repetição com idade do livro de ofertas abaixo do limite.

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.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

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.

Habilidades Relacionadas