К основному содержанию
скилл CX Codex

agent-orchestration-planner — скилл для Claude Code: что делает

Скилл agent-orchestration-planner для проектирования многошаговых агентов: цикл с инструментами, повторные попытки, память и лимит расходов в виде готовых схем на Python.

MIT 288 установок ★ 64 обновлён 2026-01-12

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add patricio0312rev/skills --skill agent-orchestration-planner -a claude-code
Открыть на GitHub

Что делает agent-orchestration-planner

Скилл помогает спроектировать многошагового агента: план, выбор инструмента, вызов, проверка результата. Внутри — рабочие куски на Python: класс Agent с потолком итераций, AgentState с памятью и CostTracker со счётчиком расходов.

Порядок вызовов задаёт словарь TOOL_ORDER: сначала веб-поиск, потом база, затем внешние API, в конце генерация текста. Ошибки ловит execute_with_retry: три попытки с растущей паузой 2 ** attempt, после чего подставляется запасной инструмент из FALLBACK_TOOLS.

Запасной путь прописан только для search_web и call_api. Для остальных инструментов после третьей неудачи ошибка уходит наверх, так что цикл стоит строить с этим в виду. Ещё в скилле есть диаграмма mermaid и шаблон планирующего промпта, который ждёт ответ в JSON.

Какие задачи решает

  • спроектировать цикл агента с ограничением числа шагов
  • задать порядок вызова инструментов и не путать его в коде
  • добавить повторные попытки с паузой между ними
  • удержать расходы агента в лимите и разложить их по категориям
  • собрать связку из исследователя, кодера и ревьюера с доработкой по замечаниям

Примеры запросов агенту

  • Спроектируй цикл агента с поиском в вебе и запросом к базе, добавь повторные попытки и лимит расходов
  • Нарисуй диаграмму mermaid для оркестрации: план, вызов инструмента, проверка результата, проверка бюджета
  • Собери мультиагентную связку: исследователь, кодер и ревьюер, который возвращает код на доработку

Как установить agent-orchestration-planner

1Через Skills CLI (Vercel)

npx skills add patricio0312rev/skills --skill agent-orchestration-planner -a claude-code

2Вручную: положить файлы

~/.claude/skills/agent-orchestration-planner/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/agent-orchestration-planner/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы об agent-orchestration-planner

Как установить agent-orchestration-planner в Claude Code?

Выполните npx skills add patricio0312rev/skills --skill agent-orchestration-planner -a claude-code. Скилл окажется в ~/.claude/skills/agent-orchestration-planner/SKILL.md.

Что делает agent-orchestration-planner?

Описывает архитектуру многошагового агента и даёт заготовки на Python: цикл с инструментами, память, повторы с запасным инструментом, учёт расходов и диаграмму потока.

Что нужно подключить, чтобы примеры заработали?

Код обращается к llm(prompt), parse_action и к инструментам с методами execute и schema. Эти части скилл не определяет, их даёт ваш проект.

Исходный текст

SKILL.md · MIT
---
name: agent-orchestration-planner
description: Designs multi-step agent workflows with tool usage, retry logic, state management, and budget controls. Provides orchestration diagrams, tool execution order, fallback strategies, and cost limits. Use for "AI agents", "agentic workflows", "multi-step AI", or "autonomous systems".
---

# Agent Orchestration Planner

Design robust multi-step agent systems with tools and error handling.

## Agent Architecture

```
User Query → Planning → Tool Selection → Tool Execution → Result Synthesis → Response
              ↓            ↓                ↓                    ↓
           Memory      Retry Logic      Validation         Cost Tracking
```

## Agent Loop Pattern

```python
from typing import List, Dict, Any

class Agent:
    def __init__(self, tools: List[Tool], max_iterations: int = 5):
        self.tools = tools
        self.max_iterations = max_iterations
        self.memory = []
        self.cost_tracker = CostTracker()

    def run(self, query: str) -> str:
        self.memory.append({"role": "user", "content": query})

        for iteration in range(self.max_iterations):
            # Decide next action
            action = self.plan_next_action()

            if action["type"] == "final_answer":
                return action["content"]

            # Execute tool
            result = self.execute_tool(action["tool"], action["params"])

            # Track cost
            self.cost_tracker.add(result["cost"])

            # Check budget
            if self.cost_tracker.exceeds_limit():
                return self.budget_exceeded_response()

            # Add to memory
            self.memory.append({
                "role": "tool",
                "tool": action["tool"],
                "result": result["data"]
            })

        return "Max iterations reached"

    def plan_next_action(self) -> Dict:
        prompt = self.build_planning_prompt()
        response = llm(prompt)
        return parse_action(response)
```

## Tool Orchestration

```python
TOOL_ORDER = {
    "search_web": 1,        # Always try search first
    "query_database": 2,    # Then database
    "call_api": 3,          # Then external APIs
    "generate_content": 4,  # Finally generate
}

def select_tools(query: str, available_tools: List[Tool]) -> List[Tool]:
    """Select and order tools based on query"""
    # Use LLM to select relevant tools
    tool_selection_prompt = f"""
    Given this query: "{query}"

    Which of these tools are needed? {[t.name for t in available_tools]}

    Return JSON array of tool names in execution order.
    """

    selected_names = json.loads(llm(tool_selection_prompt))
    selected_tools = [t for t in available_tools if t.name in selected_names]

    # Sort by predefined order
    selected_tools.sort(key=lambda t: TOOL_ORDER.get(t.name, 999))

    return selected_tools
```

## Retry & Fallback Logic

```python
def execute_with_retry(tool: Tool, params: Dict, max_retries: int = 3):
    """Execute tool with exponential backoff retry"""
    for attempt in range(max_retries):
        try:
            result = tool.execute(params)
            return {"success": True, "data": result}
        except ToolError as e:
            if attempt == max_retries - 1:
                # Try fallback tool
                fallback = get_fallback_tool(tool.name)
                if fallback:
                    return execute_with_retry(fallback, params, 1)

                return {"success": False, "error": str(e)}

            # Wait before retry
            time.sleep(2 ** attempt)

FALLBACK_TOOLS = {
    "search_web": "query_database",
    "call_api": "use_cached_data",
}
```

## State Management

```python
class AgentState:
    def __init__(self):
        self.memory = []
        self.tool_results = {}
        self.costs = 0.0
        self.iteration = 0

    def add_message(self, role: str, content: str):
        self.memory.append({"role": role, "content": content})

    def add_tool_result(self, tool_name: str, result: Any):
        self.tool_results[tool_name] = result

    def get_context(self) -> str:
        """Build context from memory for next LLM call"""
        return "\n".join([
            f"{msg['role']}: {msg['content']}"
            for msg in self.memory[-5:]  # Last 5 messages
        ])
```

## Budget & Cost Controls

```python
class CostTracker:
    def __init__(self, max_cost: float = 1.0):
        self.max_cost = max_cost
        self.total_cost = 0.0
        self.breakdown = {}

    def add(self, cost: float, category: str = "llm"):
        self.total_cost += cost
        self.breakdown[category] = self.breakdown.get(category, 0) + cost

    def exceeds_limit(self) -> bool:
        return self.total_cost >= self.max_cost

    def remaining(self) -> float:
        return self.max_cost - self.total_cost

# Use in agent
if cost_tracker.exceeds_limit():
    return f"Budget limit reached. Used ${cost_tracker.total_cost:.4f}"
```

## Orchestration Diagram

```mermaid
graph TD
    A[User Query] --> B[Plan Action]
    B --> C{Action Type?}
    C -->|Tool Call| D[Execute Tool]
    C -->|Final Answer| E[Return Response]
    D --> F[Validate Result]
    F -->|Success| G[Update Memory]
    F -->|Failure| H[Retry/Fallback]
    H --> D
    G --> I{Budget OK?}
    I -->|Yes| B
    I -->|No| J[Budget Exceeded]
    J --> E
```

## Planning Prompt

```python
def build_planning_prompt(state: AgentState) -> str:
    return f"""
You are an agent that can use tools to answer questions.

Available tools:
{json.dumps([t.schema for t in tools], indent=2)}

Conversation history:
{state.get_context()}

Based on the conversation, decide your next action:
1. Call a tool (specify tool name and parameters)
2. Provide final answer

If calling a tool, respond with:
{{"action": "tool_call", "tool": "tool_name", "params": {{...}}}}

If providing final answer, respond with:
{{"action": "final_answer", "content": "your answer"}}

Think step by step about what information you need.
"""
```

## Multi-Agent Coordination

```python
class MultiAgentSystem:
    def __init__(self):
        self.agents = {
            "researcher": ResearchAgent(),
            "coder": CodeAgent(),
            "reviewer": ReviewAgent(),
        }

    def run(self, task: str):
        # Researcher gathers information
        context = self.agents["researcher"].run(task)

        # Coder generates solution
        code = self.agents["coder"].run(f"{task}\nContext: {context}")

        # Reviewer validates
        review = self.agents["reviewer"].run(f"Review this code:\n{code}")

        if review["approved"]:
            return code
        else:
            # Iterate with feedback
            return self.agents["coder"].run(
                f"Fix this code based on feedback:\n{review['feedback']}"
            )
```

## Best Practices

1. **Limit iterations**: Prevent infinite loops
2. **Budget controls**: Track and limit costs
3. **Tool validation**: Verify tool outputs
4. **Error handling**: Graceful fallbacks
5. **State persistence**: Save progress
6. **Observability**: Log all actions
7. **Human-in-loop**: Critical decisions

## Output Checklist

- [ ] Agent loop implementation
- [ ] Tool selection logic
- [ ] Retry & fallback strategies
- [ ] State management
- [ ] Cost tracking
- [ ] Budget limits
- [ ] Orchestration diagram
- [ ] Planning prompts
- [ ] Error handling
- [ ] Observability/logging

© patricio0312rev · MIT · patricio0312rev/skills

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
Orchestration Planner daffy0208 Скилл Orchestration Planner раскладывает крупную цель на цепочку задач, проверяет возможности проекта и предлагает основной план с альтернативами. CX Codex +1 134установок agent-orchestration-advisor deanpeters Скилл agent-orchestration-advisor для Claude Code помогает спроектировать мультиагентный воркфлоу: делит сложную задачу между специализированными агентами, задавая границы и точки передачи управления. CX Codex +1 1 400установок edict-multi-agent-orchestration reason-machines Скилл edict-multi-agent-orchestration для Claude Code разворачивает оркестрацию 12 агентов по исторической модели Sansheng Liubu с React-канбаном и обязательным ревью. Распределяет задачи между разными LLM. CX Codex +1 1 400установок multi-agent-orchestration qodex-ai Скилл multi-agent-orchestration помогает проектировать совместную работу нескольких ИИ-агентов, распределять задачи между ними и объединять результаты. Пригодится при настройке сложных цепочек с разделением ролей. CX Codex +1 2 200установок cargo-orchestration getcargo Скилл cargo-orchestration для Claude Code и ещё пяти агентных платформ, который превращает описания задач в запуски на платформе Cargo. Выполняет действие на записи, прогоняет воркфлоу, запускает батч по списку, пишет агенту. CX Codex +1 11 600установок genai-hub-orchestration SAP Скилл genai-hub-orchestration для Claude Code настраивает пайплайны сервиса SAP AI Core Orchestration с шаблонами промптов, фильтрацией контента и RAG-заземлением документов. Запросы идут через Harmonized API. CX Codex +1 188установок

Из того же набора148

Весь набор →
modal-drawer-system Скилл modal-drawer-system генерирует доступные модальные окна, боковые панели и нижние шторки на React с порталами, захватом фокуса и блокировкой прокрутки. CX Codex +1 291установок env-secrets-manager Скилл env-secrets-manager помогает разложить ключи и переменные окружения по местам: что коммитить в .env.example, что держать в AWS Secrets Manager, как проверить конфиг при старте. CX Codex +1 289установок api-security-hardener Скилл api-security-hardener добавляет в Express API проверку входа по схемам Zod, лимиты запросов на Redis и JWT-аутентификацию с ролями. CX Codex +1 289установок observability-setup Скилл observability-setup разворачивает в проекте трейсы OpenTelemetry, метрики Prometheus и структурные логи, добавляя к ним дашборд Grafana и черновики алертов. CX Codex +1 289установок react-server-components Помогает проектировать архитектуру React Server Components в Next.js App Router, разделять серверный и клиентский код, настраивать выборку данных и стриминг через Suspense. CX Codex +1 288установок github-actions-pipeline-creator Скилл github-actions-pipeline-creator для Claude Code собирает GitHub Actions workflow для линтинга, тестов, сборки и деплоя. Описывает CI с кэшем, матрицей и артефактами. CX Codex +1 288установок webhook-receiver-hardener Скилл webhook-receiver-hardener помогает проектировать защищённые эндпоинты для вебхуков. Защищает обработчики от подделки запросов, повторных доставок и сбоев сторонних сервисов. CX Codex +1 287установок secrets-scanner Скилл secrets-scanner для Claude Code ищет утёкшие ключи, токены и пароли в коде. Ставит проверки до коммита и в CI. CX Codex +1 287установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой