# sona-learning-optimizer

Субагент sona-learning-optimizer, который после каждой задачи записывает траекторию и подтягивает качество за счёт поиска похожих паттернов и LoRA-дообучения.

- субагент · `type=agent` · Claude Code, Codex, Cursor · ★ 850 у репозитория
- Автор: ruvnet
- Лицензия: не указана · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/ruvnet/agentic-flow/tree/HEAD/agentic-flow/.claude/agents/sona/sona-learning-optimizer.md
- Обновлён: 2026-10-26
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/agents/sona-learning-optimizer

## Что делает

Обучение встроено в каждый запуск. Перед задачей хук ищет похожие паттерны (k=3), заводит траекторию в `npx claude-flow sona` и помечает её контекстом. После задачи второй хук считает оценку качества, генерирует векторы активаций и веса внимания, закрывает траекторию и, если данных хватило, запускает цикл обучения. В описании агента заявлен прирост качества до +55%.

Оба хука — обычные shell-скрипты в frontmatter агента. Они зовут `npx claude-flow sona pattern find` и `trajectory begin/step/end`, строят векторы через `python3` и разбирают JSON через `jq`. Векторы здесь упрощённые: эмбеддинг и активации генерируются случайно с seed от хеша задачи или вывода.

Без `npx claude-flow`, `jq` и `python3` в `PATH` хуки не отработают, и обучение пропускается молча. Оценка качества складывается из длины ответа и числа блоков кода, поэтому длинный ответ с кодом получает высокий балл независимо от того, насколько он хорош.

## Установка

### Claude Code (родная платформа)

**Вручную: положить файлы**
- Файл: `.claude/agents/sona-learning-optimizer.md` — Для всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию

### Codex

**Вручную: положить файлы**
- Файл: `.codex/agents/sona-learning-optimizer.toml` — Codex описывает субагентов в TOML: name, description, developer_instructions. Текст из Markdown перенесите в developer_instructions вручную. Для всех проектов — ~/.codex/agents/

### Cursor

**Вручную: положить файлы**
- Файл: `.cursor/agents/sona-learning-optimizer.md` — Cursor понимает и .claude/agents/

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/ruvnet/agentic-flow/tree/HEAD/agentic-flow/.claude/agents/sona/sona-learning-optimizer.md

## Когда брать
- записывать ход каждой задачи в траекторию для последующего разбора
- поднимать похожие прошлые решения перед новой задачей
- считать оценку качества ответа по формальным признакам
- маршрутизировать запросы между моделями с оглядкой на качество
- накапливать выученные паттерны без переобучения всей модели

## Примеры запросов агенту
- Отдай `sona-learning-optimizer` разбор упавшего теста и покажи, какие похожие паттерны он нашёл.
- Запусти `sona-learning-optimizer` на миграции схемы и в конце выведи `npx claude-flow sona stats`.
- Поручи `sona-learning-optimizer` починить сборку и сохрани траекторию, чтобы паттерн остался в библиотеке.

## Похожие
- [continual-learning](https://affpapa.org/nevibecode/skills/continual-learning.md) — скилл · 79 установок
- [skillopt-sleep](https://affpapa.org/nevibecode/plugins/skillopt-sleep.md) — плагин · ★ 30251 у репозитория
- [explore-code](https://affpapa.org/nevibecode/skills/explore-code.md) — скилл · 362900 установок
- [swarm-advanced](https://affpapa.org/nevibecode/skills/swarm-advanced.md) — скилл · 1200 установок
- [V3 Deep Integration](https://affpapa.org/nevibecode/skills/v3-deep-integration.md) — скилл · 1100 установок
- [p-image](https://affpapa.org/nevibecode/skills/p-image.md) — скилл · 14500 установок

Из того же набора: [ruvnet/agentic-flow](https://affpapa.org/nevibecode/by/ruvnet/agentic-flow.md) — 76 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
