agent-fitness — скилл для Claude Code: отчёты и установка
Скилл agent-fitness для Claude Code собирает статистику вызовов субагентов и показывает, где они блокируются или завершаются ошибкой. Запускается по запросам о калибровке агентов и их результатах.
MIT ★ 26 обновлён 2026-11-16
npx skills add wrg32786/aigent-os --skill agent-fitness -a claude-codeЧто делает agent-fitness
Скилл извлекает сведения о вызовах субагентов из JSONL и записывает новые строки в memory/AGENT_FITNESS.md. Команда /agent-fitness формирует отчёт: считает вызовы, сравнивает результаты по агентам и показывает свежие тенденции. Для выборки за период можно задать --days N.
Счётчик различает успешные, заблокированные, ошибочные и частичные результаты. Коэффициент калибровки не включает инфраструктурные ошибки, а повторную блокировку отмечает при двух и более случаях за выбранный период. Классификация основана на ключевых словах, автоматической смены агента нет: решение остаётся за основным агентом. Для извлечения нужен python3.
Какие задачи решает
- сравнить число успешных и заблокированных вызовов по агентам
- найти агентов с повторными блокировками за период
- посмотреть, какие пары «агент — задача» чаще завершаются ошибкой
- оценить недавнюю динамику результатов субагента
Примеры запросов агенту
- Проведи извлечение новых вызовов субагентов:
/agent-fitness extract. - Покажи общую статистику и тенденции по агентам:
/agent-fitness. - Сравни результаты за последние 7 дней:
/agent-fitness --days 7.
Как установить agent-fitness
1Через Skills CLI (Vercel)
npx skills add wrg32786/aigent-os --skill agent-fitness -a claude-code2Вручную: положить файлы
~/.claude/skills/agent-fitness/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/agent-fitness/
1Через Skills CLI (Vercel)
npx skills add wrg32786/aigent-os --skill agent-fitness -a codex2Вручную: положить файлы
.agents/skills/agent-fitness/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add wrg32786/aigent-os --skill agent-fitness -a cursor2Вручную: положить файлы
.cursor/skills/agent-fitness/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install wrg32786/aigent-os skills/agent-fitness2Вручную: положить файлы
.github/skills/agent-fitness/SKILL.md1Через Skills CLI (Vercel)
npx skills add wrg32786/aigent-os --skill agent-fitness -a gemini-cli2Командой платформы
gemini skills install https://github.com/wrg32786/aigent-os --path skills/agent-fitnessВручную: положить файлы
.devin/skills/agent-fitness/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add wrg32786/aigent-os --skill agent-fitness -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы об agent-fitness
Как установить agent-fitness в Claude Code?
Выполни npx skills add wrg32786/aigent-os --skill agent-fitness -a claude-code. Файл скилла находится по пути ~/.claude/skills/agent-fitness/SKILL.md.
Что делает agent-fitness?
Скилл собирает статистику вызовов субагентов и строит отчёты по их результатам. Он показывает блокировки, ошибки и недавние тенденции.
Что нужно для работы agent-fitness?
Для извлечения данных запускается python3. Скилл читает сведения о вызовах из JSONL, а отчёты записывает в memory/AGENT_FITNESS.md.
Исходный текст
SKILL.md · MIT
---
name: agent-fitness
agent: none
description: "Track sub-agent dispatch calibration from JSONL or ledgers. Use when checking agent fitness, clean/blocked/error trends, or which agents work."
allowed-tools: Bash, Read
user-invocable: true
triggers:
- agent fitness
- agent calibration
- agent stats
- sub-agent stats
- which agents work
- /agent-fitness
- agent dispatch trends
---
# /agent-fitness
Three modes:
**`/agent-fitness extract`** — runs `python3 daemons/agent-fitness-extract.py` to scan the latest JSONL transcript and append new dispatch rows to `memory/AGENT_FITNESS.md`. Idempotent (dedup by session_id + tool_use_id).
**`/agent-fitness`** (no args) — runs `python3 daemons/agent-fitness-report.py`. Surfaces:
- Total dispatches (all-time, last 30d, last 7d)
- Per-agent calibration table (Total / Clean / Blocked / Errored / Partial / Ratio)
- Per-agent recent outcome trend (last 10 dispatches encoded as `c7 b1 e0 p0`)
- ⚠ Repeat-blocker callouts (any agent with >=2 blocks in window)
- Top 3 failing (agent, task) pairs
**`/agent-fitness --days 7`** — same as above but windowed to last N days. Useful for "is this agent failing more lately?"
## Computation
Calibration ratio per agent: `clean / (total − errored)`. The denominator excludes hard errors (infrastructure/tool failures) and only counts agent-level outcomes.
Trend signal: any agent with >=2 blocks in the window surfaces a repeat-blocker callout. The classifier was hardened in v0.5.1 to catch real Lyra-style block patterns ("BLOCKED:", "are denied", "blocker-found" etc).
## When to run
- After major sessions where multiple sub-agents fired (today S30d had ~7 dispatches)
- Periodically (weekly?) to spot trends
- Before relying on a sub-agent for something heavy ("am I about to dispatch an agent that's been failing?")
## What it does NOT do
- Does not auto-reroute dispatches based on calibration. Surfaces data; principal decides.
- Does not LLM-classify failures — heuristic only (keyword matching on result content).
- Does not pool across sessions for cluster analysis. Future v0.5.x.
- Does not include task-type clustering. All tasks pooled per agent.
## Cross-links
- [[concepts/Somatic v0.5.0 Agent Fitness]] — spec
- [[memory/AGENT_FITNESS]] — the data
- [[concepts/Somatic Roadmap]]
- [[memory/TRUST_DECAY]] — sibling claim → outcome ledger
© wrg32786 · MIT · wrg32786/aigent-os