learn-optimization-skills — скилл для Claude Code
Скилл learn-optimization-skills для Claude Code описывает обучение оптимизатора на завершённых задачах и сохранение повторно используемых выводов. Запускается для рефлексии после задачи или записи находки при поиске.
Apache-2.0 ★ 99 обновлён 2026-11-12
npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a claude-codeЧто делает learn-optimization-skills
Скилл задаёт правила, по которым оптимизатор обновляет навыки, память, настройки поиска, промпты и инструменты анализа. Он отделяет переносимые между задачами знания от изменений обучающего задания и указывает, какие части системы нельзя менять: среди них бюджеты, веса модели и схема L0.
Для записи памяти нужны теги оборудования, модели и данных, изменения конфигурации и время шага для медленного и быстрого вариантов, результат, причина сбоя и урок. Правила навыков должны описывать условия применимости и содержать контрпримеры, а не сводиться к готовой конфигурации. Новая версия пакета проходит selfcheck: если проверка не проходит, сохраняется предыдущий пакет и записывается invalid_fallback.
Рефлексия опирается на трассу задачи: изменения и оценки кандидатов, время шагов и затраты, причины недействительных результатов, а также логи использования навыков, памяти и инструментов. Без этих подтверждений изменённый, но не вызванный инструмент не считается усвоенным.
Какие задачи решает
- сохранить выводы из завершённой задачи разработки
- добавить в память условия и причину сбоя
- отличить общее правило от конфигурации для одной задачи
- отсеять пакет навыков, не прошедший selfcheck
Примеры запросов агенту
- Отрази результаты завершённой задачи и обнови подходящие навыки.
- Запиши в память вывод из текущего поиска с условиями применимости и причиной сбоя.
- Проверь, можно ли перенести этот урок на другие задачи.
Как установить learn-optimization-skills
1Через Skills CLI (Vercel)
npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a claude-code2Вручную: положить файлы
~/.claude/skills/learn-optimization-skills/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/learn-optimization-skills/
1Через Skills CLI (Vercel)
npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a codex2Вручную: положить файлы
.agents/skills/learn-optimization-skills/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a cursor2Вручную: положить файлы
.cursor/skills/learn-optimization-skills/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install TokenRhythm/InfraRSI skills/learn-optimization-skills2Вручную: положить файлы
.github/skills/learn-optimization-skills/SKILL.md1Через Skills CLI (Vercel)
npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a gemini-cli2Командой платформы
gemini skills install https://github.com/TokenRhythm/InfraRSI --path skills/learn-optimization-skillsВручную: положить файлы
.devin/skills/learn-optimization-skills/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.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 о learn-optimization-skills
Как установить learn-optimization-skills в Claude Code?
Выполни npx skills add TokenRhythm/InfraRSI --skill learn-optimization-skills -a claude-code. Файл скилла находится по пути ~/.claude/skills/learn-optimization-skills/SKILL.md.
Что делает learn-optimization-skills?
Он задаёт правила рефлексии после задач разработки: какие знания и настройки можно переносить, как оформлять записи памяти и как проверять новый пакет. Также описывает запреты на редактирование системных частей оптимизатора.
Когда скилл запускает рефлексию?
После завершения задачи разработки. Во время поиска он также предлагает записывать наблюдения, если результат объясняет что-то повторно применимое.
Исходный текст
SKILL.md · Apache-2.0
---
name: learn-optimization-skills
description: How the optimizer improves itself between development tasks - what it may and may not edit, the promotion gate for a new package, memory entry format, and how to distill applicability conditions and counter-examples from a trajectory.
license: Apache-2.0
when_to_use: Reflection after a development task; writing memory entries during a search; deciding whether a lesson is general or task-specific; 'what did we learn', 'update skills', 'memory entry', 'reflect'.
metadata:
author: InfraRSI A0 (human-authored)
source: human-authored (A0)
version: 1
tags: [rsi, reflection, memory, skills, package, learning]
---
# Learn optimization skills
The optimizer A (skills, memory, retrieval and analysis tools, policy, prompts) is distinct from the target S (the
training job). Only A transfers between tasks. Training patches never transfer, and private retest results never
feed back into A.
## Trigger conditions
- After each development task (reflect), and during a search when a result explains something reusable (write_memory).
## Required observations (receipt fields)
- The finished task's trace: candidates with changes and verdicts, screens with StepTime and costs, invalid reasons, skill/memory/tool hit logs.
## Rules: what may change
- May edit: skills (conditions, rules, counter-examples, real cases), memory.db entries, retrieval and policy settings within caps, prompts, receipt-analysis tools (JSON analysis subset).
- May not edit: harness, reward, invariants, frozen zone, budgets, tolerances, model weights, the L0 schema, patch guard. They are outside the package.
- A new package must pass selfcheck (schema; skills parse with all sections; tools run on historical receipts; prompts keep placeholders; policy within caps; answer-isolation audit). Otherwise the previous package is kept and the reflection is recorded as invalid_fallback.
## Rules: memory entries
- Format: tags {hardware: [...], model: [...], data: [...]}, slow (config delta, StepTime), fast (config delta, StepTime), outcome, failure_reason, lesson. Tags make retrieval conditional on context; a lesson without tags generalizes blindly.
- Record failures with their mechanism (e.g. "OOM at update 2: lazy moments"), not just "failed".
## Rules: distilling skills
- Write conditions, not answers: "when headroom > X and recompute is full, remove recompute from k layers" rather than "use config c7".
- Keep counter-examples next to the rule: Muon three-phase optimizations have no AdamW counterpart; fastmask needs zero bases or falls back; NUMA binding depends on the node's NUMA layout; an external TP4 suggestion was reordered after timings contradicted it.
- A tool that changed but was never invoked is "unconsumed": it is not evidence of learning. Inheritance counts only when retrieval or tool logs show use.
- Re-solving a task seen before is an answer-isolated re-solve, not an unseen task.
## Allowed actions
- write_memory during search; in reflection: edit skills/policy/prompts/tools, add memory.
## Failure signals
- Package unchanged after a task with clear lessons; selfcheck failures; lessons that name one task's final config; held-out identifiers anywhere in the package (audit failure).
## Verification
- selfcheck passes; audit passes; later tasks' logs show the new skill sections or tools being retrieved/invoked.
## Success case (real)
- Tool inheritance (T5): compare_same_rank_stages.py, written for the FP8 investigation, read the BF16 anchor queue, paired (rank, step) and checked 448 pairs, then produced QSA/prefix/QKV/segsum analyses for later candidates. The row-wise dual-FP64 gate (T2), frozen before a kernel repair, rejected v1 and was reused on two more layer sets. (agentic_moe_sft_tech_report_20261018/RSI_TRACK.md T5, T2)
## Failure case (real)
- RSI pilots of the previous project: pilot-1 10.441060 -> 10.448436 s (retest 10.490263), pilot-2 10.556310 -> 10.607184 s. The A0 package came out unchanged, pilot-2 was interrupted, 0 of 6 formal lineages ran, and the evidence was judged insufficient (pilot-1 had 1 reflection cycle where 2 were needed). Without completed cycles and recorded inheritance, no self-improvement claim is possible. (RSI_TRACK.md 3, 6; rsi_pilot_v1/D1_PILOT_COMPLETION_V1.md)
© InfraRSI A0 (human-authored) · Apache-2.0 · TokenRhythm/InfraRSI