VibeSkills: planungsbasierte Weiterleitung lokaler Skills

Ein Machine-Learning-Experiment als Praxisbeispiel

Das README beginnt mit einem Praxisfall: ein reproduzierbares Klassifikationsexperiment mit öffentlichen Daten, das eine Datenprüfung, statistische Überprüfung, vier Ergebnisgrafiken, einen wissenschaftlichen Bericht und ein Deck mit sieben Folien liefert. VibeSkills nutzte den L-Workflow. Auf demselben Host befanden sich in den konfigurierten Ordnern mehr als 100 Skills. VibeSkills prüfte Kandidaten und ihre SKILL.md-Dateien, wählte 7 aus, ordnete die Arbeit in 5 Gruppen und 10 Arbeitseinheiten, die Umgebungseinrichtung, Datenprüfung, Modellierung, statistische Überprüfung, Grafiken, Bericht und Folien abdeckten. Nach Abschluss führte es 17 Prüfungen über Daten, Ergebnisse, Grafiken, Bericht und Folien durch; alle bestanden. Das README berichtet diese Zahlen als Ergebnis dieses Laufs.

Die fünf Phasen von der Anforderung bis zur Lieferung

VibeSkills gibt einem Agenten einen Prozess vom Empfang einer Aufgabe bis zur Prüfung der Lieferung. Jede Phase beantwortet eine konkrete Frage. Zuerst bestätigt es die Anforderung: Ziel, Einschränkungen, verfügbares Material, erwartete Lieferung. Der Prozess stoppt, bis sie genehmigt ist. Zweitens empfiehlt es eine Stufe, L oder XL, basierend auf Umfang, Schritten, Abhängigkeiten und Parallelisierungsmöglichkeiten; der Benutzer bestätigt. L teilt die Aufgabe und arbeitet sie der Reihe nach ab; XL verwendet eine feinere Unterteilung und kann bis zu zwei nicht konfliktierende Teile gleichzeitig ausführen. Drittens organisiert es Skills: Es überprüft lokale Ordner, wählt Methoden aus, legt Verantwortlichkeit, Lieferung und Prüfungen fest. Viertens führt es aus und protokolliert; Codierungsaufgaben können TDD verwenden. Abgeschlossene, fehlgeschlagene und blockierte Zustände werden protokolliert. Fünftens vergleicht es das tatsächliche Ergebnis mit jedem geplanten Punkt; unvollständige, fehlgeschlagene oder blockierte erforderliche Arbeiten verhindern die endgültige Abnahme.

Wie lokale Skills ausgewählt werden, ohne die gesamte Bibliothek zu lesen

VibeSkills überprüft die von Ihnen konfigurierten lokalen Skill-Ordner und erstellt dann eine Shortlist von Kandidaten basierend auf kompakten Informationen wie Name, Beschreibung, Verwendungszweck und Grenzen. Nur behaltene Kandidaten werden als vollständige SKILL.md-Dateien gelesen. Die Ausführung verwendet nur die im Plan geschriebenen Skills. Der Token-Verbrauch hängt davon ab, wie viele Kandidaten behalten werden, wie lang die Dokumente sind und wie komplex die Aufgabe ist, nicht von der Größe der Bibliothek. Das README sagt, der Overhead sei nicht null, werde aber durch einen lokalen Index, Shortlisting und bedarfsgesteuertes Lesen begrenzt. Um ausgewählt zu werden, benötigt ein Skill eine lesbare SKILL.md, einen nicht kollidierenden Namen und eine klare Passung. Zusätzliche Ordner können in ~/.vibeskills/skill-roots.json oder <workspace>/.vibeskills/skill-roots.json aufgelistet werden.

Aufgabenprotokolle für Fortsetzung und Überprüfung

Das README beschreibt eine Reihe von Protokolldateien. install-receipt.json zeichnet die vom Installer geschriebenen Dateien auf, damit check fehlende oder geänderte Dateien finden kann. session_root speichert Eingabe, Fortschritt, wichtige Entscheidungen und Zusammenfassung für eine Aufgabe. module-work-plan.json speichert den genehmigten Arbeitsplan. module-execution.json speichert, was jeder Teil tatsächlich erzeugt hat und seinen Status. delivery-acceptance-report.json oder .md speichert die endgültige Prüfung. Diese ermöglichen es einer späteren Sitzung, fortzufahren, und einem Prüfer, den ursprünglichen Plan mit dem tatsächlichen Ergebnis zu vergleichen. Das README weist auch darauf hin, dass eine erfolgreiche Installation nicht bedeutet, dass die Aufgabe ausgeführt wurde, und ein Aufgabenprotokoll nicht bedeutet, dass das Ergebnis bestanden hat. Wartende können die Vorab-Checkliste in docs/status/non-regression-proof-bundle.md verwenden.

VibeSkills aufrufen und der beabsichtigte Workflow

Um VibeSkills zu verwenden, rufen Sie es über den Skill-Einstieg der Anwendung mit $vibe, /vibe oder der von ihm bereitgestellten Syntax in einer KI-Anwendung auf, die lokale Skills unterstützt. Anschließend scannt es das Skill-Installationsverzeichnis und alle zusätzlichen lokalen Ordner, um verfügbare Skills zu finden. Es wählt geeignete Skills aus, weist sie relevanter Arbeit zu und koordiniert das Ergebnis. Sie müssen sich nicht merken, welchen Skill Sie wann verwenden. Das README listet auch Dokumentations-Einstiegspunkte auf: Installation, Schnellstart, Versionshinweise und Fehlerbehebungsanleitung.

Community, Lizenz und aktueller Repository-Zustand

Das Projekt ist in Python geschrieben und unter Apache-2.0 veröffentlicht. Der Lizenzauszug gewährt eine dauerhafte, weltweite, nicht exklusive, kostenlose, lizenzgebührenfreie Urheberrechtslizenz zur Vervielfältigung, Erstellung abgeleiteter Werke, öffentlichen Darstellung, Aufführung, Unterlizenzierung und Verbreitung sowie eine ähnliche Patentlizenz, vorbehaltlich Bedingungen. Es sagt nichts über Sicherheitslage, Support oder Garantie aus. Das README lädt zu Fragen und Korrekturen über GitHub Issues und Pull Requests ein und verweist für Community-Praxis auf LINUX DO. Es würdigt Mitwirkende und listet Lizenzen Dritter in NOTICE und THIRD_PARTY_LICENSES.md. Laut Metadaten hat das Repository 2.599 Sterne, 198 Forks, 17 offene Issues und ist nicht archiviert. Das README verweist auf v4.0.0 als neueste Version.

Redaktionelles Fazit

Der Praxisfall im README zeigt 7 ausgewählte Skills, 10 Arbeitseinheiten und 17 bestandene Prüfungen. Das Repository ist nicht archiviert, hat 2.599 Sterne und 198 Forks und ist unter Apache-2.0 lizenziert. Die Lizenz gewährt umfassende Urheber- und Patentrechte, äußert sich jedoch nicht zu Support oder Gewährleistung.

Offizielle Quellen

1. Official README
2. Project repository
3. Release notes