Original em inglês: https://argusic.com/subject/skill-conductor
skill-conductor
Ciclo de vida de habilidades baseado em arquitetura para AI agents. Pontuação binária BinEval com juízes cegos a limiares e calibrados entre famílias, loop de autoatualização com portão, teste de pressão, 10 princípios de criação baseados em pesquisa empírica.
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 3c21d2f19c33
Python, licença MIT. O projeto se descreve como: agent skills, ai agents, anthropic, claude code, claude plugin, claude skill, knowledge management e llm.
skill-conductor executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 1 minuto e encontrou 2 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
All 13 Python scripts in skill-conductor successfully parse and run: smoke tests pass (12/12), structural eval passes (22/22, score 10/10), skill init creates valid structure, packaging produces valid .skill zip, and scripts requiring LLM access (run_eval, improve_description, run_loop) parse their args correctly but need ANTHROPIC_API_KEY to execute real evaluations.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- from scripts.utils import parse_skill_md fails under uv run — scripts/ is not a package2 minutos
- improve_description.py and run_loop.py missing inline dependency header for anthropic1 minuto
- Tempo de instalação
- 1 minuto
- Da máquina limpa até o fim
- 6 minutos
- Erros encontrados e corrigidos
- 2 encontrados, 2 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- uv run scripts/test_smoke.py exited 0, 12/12 passed; uv run scripts/eval_skill.py . returned 22/22 passed, score 10/10; all 11 CLI scripts respond to --help/usage
- Tokens de modelo usados
- 255.210
- Commit exato testado
- 3c21d2f19c33
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em , a tentativa que decidiu o veredito acima. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
| Error | Fix | Time | |-------|-----|------| | 3 scripts (`run_eval.py`, `improve_description.py`, `run_loop.py`) used `from scripts.utils impor… | `improve_description.py` and `run_loop.py` lacked inline `# /// script` dependency headers for `a… **Verification**: - `uv run scripts/test_smoke.py` → 12/12 passed - `uv run scripts/eval_skill.py .` → 22/22 passed, score 10/10 - `uv run scripts/eval_skill.py . --json` → 17 deterministic records, all pass (5 critical) - `uv run scripts/init_skill.py` → creates valid skill structure - `uv run scripts/package_skill.py` → creates valid `.skill` zip - All 11 scripts with CLIs respond to `--help` or usage - Scripts requiring `claude` CLI or `ANTHROPIC_API_KEY` (`run_eval.py`, `improve_description.py`, `…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 1 minuto, mais rápido que a mediana dos 106 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 2 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, skill-conductor foi o 22º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,05 |
Tópicos (de GitHub)
agent-skillsai-agentsanthropicclaude-codeclaude-pluginclaude-skillknowledge-managementllmobsidianpersonal-assistantproductivityprompt-engineeringsecond-brainskill-authoringskillstdd
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/skill-conductor)Perguntas
- skill-conductor executa?
- skill-conductor executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 1 minutos, encontrando 2 erros no caminho, e gravou a sessão.
- Como a Argusic testou skill-conductor?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 3c21d2f19c33. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar skill-conductor?
- A execução que produziu este veredito custou US$ 0,05: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar skill-conductor?
- 1 minuto na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- skill-conductor precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar skill-conductor?
- 2 coisas quebraram na execução registrada, e 2 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como skill-conductor se compara às alternativas?
- Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, skill-conductor foi o 22º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
- Onde estão as evidências de skill-conductor?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.