skill-optimizer · rohitg00 — скилл для Claude Code: настройка и установка
Скилл skill-optimizer анализирует накопленные исправления и предлагает правки для SKILL.md. Изменения проходят проверку на отложенных примерах, прежде чем попасть в файл.
MIT ★ 2 966 обновлён 2026-09-29
/plugin marketplace add rohitg00/pro-workflow
/plugin install pro-workflow@pro-workflowЧто делает skill-optimizer
skill-optimizer использует исправления, сохранённые в SQLite pro-workflow, как примеры для улучшения скилла. Оптимизатор предлагает ограниченные правки, затем оценщик проверяет их на отдельной выборке. Кандидат принимается, только если его оценка достигает заданного порога. Изменяется Markdown-файл, переобучения модели нет.
Запускать цикл имеет смысл, когда для скилла накопилось не менее 8 записей learn-rule. Для работы нужен явно настроенный ключ выбранного провайдера; в плагине его задают через окно конфигурации, а для CLI используют переменные PRO_WORKFLOW_*_API_KEY. Бюджет по умолчанию ограничен значением 0.50 USD, длина кандидата — 2000 токенами. Без ключа выбранного провайдера цикл не запустится.
Валидационная выборка фиксируется в начале запуска, а неудачные правки попадают в буфер отклонений. Остановить цикл между шагами можно файлом ~/.pro-workflow/STOP. Принятый кандидат перезаписывает SKILL.md; сведения о запусках и проверках сохраняются в SQLite.
Какие задачи решает
- улучшить скилл на основе накопленных исправлений
- отсеять правки, которые не повышают оценку на проверочной выборке
- ограничить число добавлений, удалений и замен за шаг
- остановить цикл оптимизации между шагами
Примеры запросов агенту
- Запусти
/skill-optimize <slug>для скилла с накопленными исправлениями. - Оптимизируй скилл
review-helperс бюджетом0.50USD. - Останови цикл оптимизации перед следующим шагом.
Как установить skill-optimizer
1Через маркетплейс плагинов
/plugin marketplace add rohitg00/pro-workflow/plugin install pro-workflow@pro-workflowКоманда ставит плагин pro-workflow целиком, со всеми его скиллами
2Через Skills CLI (Vercel)
npx skills add rohitg00/pro-workflow --skill skill-optimizer -a claude-code3Вручную: положить файлы
~/.claude/skills/skill-optimizer/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/skill-optimizer/
1Через Skills CLI (Vercel)
npx skills add rohitg00/pro-workflow --skill skill-optimizer -a codex2Вручную: положить файлы
.agents/skills/skill-optimizer/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add rohitg00/pro-workflow --skill skill-optimizer -a cursor2Вручную: положить файлы
.cursor/skills/skill-optimizer/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install rohitg00/pro-workflow skills/skill-optimizer2Вручную: положить файлы
.github/skills/skill-optimizer/SKILL.md1Через Skills CLI (Vercel)
npx skills add rohitg00/pro-workflow --skill skill-optimizer -a gemini-cli2Командой платформы
gemini skills install https://github.com/rohitg00/pro-workflow --path skills/skill-optimizerВручную: положить файлы
.devin/skills/skill-optimizer/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 skill-optimizer
Как установить skill-optimizer в Claude Code?
В сессии Claude Code сначала выполните /plugin marketplace add rohitg00/pro-workflow, затем /plugin install pro-workflow@pro-workflow.
Что делает skill-optimizer?
Он предлагает изменения для SKILL.md на основе сохранённых исправлений и проверяет кандидатов на отдельной выборке. В файл попадают только прошедшие порог оценки правки.
Сколько исправлений нужно для запуска skill-optimizer?
Для скилла должно накопиться не менее 8 записей learn-rule. Также нужен явно настроенный ключ выбранного провайдера.
Исходный текст
SKILL.md · MIT
--- name: skill-optimizer description: SkillOpt-flavored offline training loop for any SKILL.md. Treats accumulated learn-rule corrections as training trajectories, proposes bounded patches via an optimizer LLM, gates each candidate against a held-out validation set built from the user's own past corrections, and ships only candidates that demonstrably improve the score. Inspired by Microsoft SkillOpt's ReflACT pipeline (rollout → reflect → aggregate → select → update → evaluate) adapted to pro-workflow's SQLite store. Use when a skill has accumulated 8+ learn-rule rows and the user wants the skill itself to get better, not just longer. user-invocable: true --- # Skill Optimizer Train an existing SKILL.md the way a deep-learning optimizer trains weights: via rollouts, gradient-like reflections, validation-gated acceptance. No model retraining; only the skill markdown changes. ## When to use Use this skill when: - A pro-workflow skill has accumulated 8+ learn-rule rows for it - The user reports the skill is "getting bloated" or "rules keep being repeated" - The user wants offline, budget-capped improvement over multiple sessions Do not use when: - Skill has fewer than 8 trajectories (nothing to learn from) - The user wants real-time edits (this is offline, single-shot) - No key has been explicitly configured for the selected provider ## Architecture (mirrors SkillOpt's six-stage loop) ```text rollout pull recent learnings from SQLite (existing learn-rule rows) reflect optimizer LLM analyzes a minibatch, proposes add/delete/replace patches aggregate vote-merge patches across minibatches select clip by LR budget (default: 3 adds, 2 deletes, 3 replaces per step) update apply selected patches to a candidate skill content evaluate evaluator LLM scores candidate against held-out validation items gate accept candidate only if weighted score >= current + acceptThreshold slow update at epoch boundary, consolidate accepted edits into a coherent rewrite ``` Failed candidates are stored in a rejection buffer and fed back to the next reflect step so the optimizer doesn't propose the same patch twice. ## Run it In a plugin session, use the `providers` MCP server's `run_provider_task` tool with `task: "optimizer"` and `args: ["--slug", "<slug>", "--budget-usd", "0.50"]`. Keys come from the plugin configuration dialog. Standalone CLI installations use explicit `PRO_WORKFLOW_*_API_KEY` variables. See [provider configuration](../../references/provider-configuration.md); never request keys in chat or retrieve existing machine credentials. ```bash /skill-optimize <slug> [options] ``` Options (all optional; sensible defaults shown): | Flag | Default | Notes | |---|---|---| | `--epochs N` | 3 | Outer loop count | | `--batch-size N` | 8 | Trajectories per minibatch | | `--minibatches N` | 2 | Minibatches per epoch | | `--holdout N` | 6 | Validation items reserved (max ~25% of trajectories) | | `--budget-usd X` | 0.50 | Hard cap; loop aborts when spent | | `--optimizer-model M` | `claude-sonnet-5` | Reflect + slow-update model | | `--evaluator-model M` | `claude-haiku-4-5` | Gate model (cheaper) | | `--max-adds N` | 3 | LR budget per step | | `--max-deletes N` | 2 | | | `--max-replaces N` | 3 | | | `--accept-threshold X` | 0.0 | Minimum score delta to accept candidate | | `--max-skill-tokens N` | 2000 | Hard cap on candidate length | | `--slow-every N` | 2 | Epochs between consolidation passes | | `--json` | off | Machine-readable output | Kill switch: `touch ~/.pro-workflow/STOP` aborts the loop between steps. ## Output - Candidate accepted → SKILL.md overwritten, hash stamp appended in HTML comment - Run details persist in `optimization_runs`, `optimization_candidates`, `optimization_patches`, `optimization_rejections` - Validation set persists in `optimization_validation` (reusable across runs) Inspect after: ```bash sqlite3 ~/.pro-workflow/data.db "SELECT id, skill_slug, initial_score, best_score, accepted_steps, rejected_steps, spent_usd FROM optimization_runs ORDER BY id DESC LIMIT 5" ``` ## Rules - Validation set is frozen at run start. Never re-derive from new corrections mid-run. - One candidate per step. No parallel branches. - Slow-update output is itself a candidate; it must pass the gate to replace the best. - The optimizer LLM and evaluator LLM may be different models. Mixing a strong optimizer with a cheap evaluator is the SkillOpt-recommended config. - If `spent_usd >= budget_usd` at any step boundary, the loop ends with `stopped_reason="budget exhausted"`. - Patches whose anchor is no longer present in the skill (because a prior patch in the same step removed it) are recorded as rejected with reason `anchor_missing`. ## Provenance Inspired by Microsoft SkillOpt (arXiv:2605.23904). The six-stage rollout/reflect/aggregate/select/update/evaluate pipeline, LR budget, rejection buffer, and slow / meta update mechanics are adapted to pro-workflow's existing SQLite + learn-rule data plane. No SkillOpt code is reused. "ReflACT" is not a SkillOpt term and is not used here; the loop is referred to by stage names only.
© Rohit Ghumare · MIT · rohitg00/pro-workflow
Похожие скиллы
Все скиллы по теме «Настройка агента: память, контекст, субагенты» →Сначала — skill-optimizer от других авторов.