Agent Research Aggregator

Analyse les logs de cache d'agents IA et les formate en PaperOrchestra idea.md + experimental_log.md.

Testé · Fonctionne ★ 8.0/10

Ce que fait

Une compétence de pré-traitement qui découvre les logs d'expérimentation dans les répertoires de cache d'agents de codage IA (.claude, .cursor, .antigravity, .openclaw) ou tout dossier donné, puis les extrait et les synthétise en la paire d'entrée structurée idea.md et experimental_log.md attendue par le pipeline de rédaction de PaperOrchestra. Se déclenche lorsque l'utilisateur demande d'agréger les logs d'agents pour la rédaction d'articles, de préparer les entrées PaperOrchestra à partir d'un cache, ou de transformer des historiques d'expériences dispersés en un brouillon d'article. S'exécute comme une pré-passe peu coûteuse avant la compétence paper-orchestra.

Rapport de test

Le dépôt a été cloné et le pipeline a été exécuté dans un HOME temporaire sur un projet d'expérience RL fabriqué (.claude/memory + results_doorkey.json + NOTES.md). discover_logs.py a terminé avec le code 2 sans --project et 0 après --project (correspondant à SKILL.md) ; l'analyse de fichiers générale n'a pas de récursion **, j'ai donc dû pointer --search-roots directement vers le répertoire du projet avant qu'il ne trouve les 3 fichiers. J'ai rédigé synthesis.json selon le schéma documenté de la Phase 3 et format_po_inputs.py a produit de manière déterministe idea.md (schéma Sparse), experimental_log.md (sections numérotées + tableau de résultats GFM aligné + historique d'itération), et aggregation_report.md avec des avertissements de qualité des données et une liste de contrôle des entrées manquantes. Comparé à une idée/log de base ad-hoc que j'ai écrite à partir des mêmes logs : la sortie de la compétence est conforme au schéma et consommable en aval là où la base est une prose lâche avec des résultats sous forme de puces. grep sur les trois scripts n'a trouvé aucun pattern réseau/exec/base64/exfil ; les scripts sont en lecture seule sur les répertoires de cache et ignorent .env/credentials/keys. L'identifiant arXiv 2604.05018 cité tout au long est invérifiable.

Testé le: 2026-07-21 · Claude Code 2.x (agent harness)

Installation

git clone --depth 1 https://github.com/Ar9av/PaperOrchestra.git /tmp/agent-research-aggregator-src
mkdir -p ~/.claude/skills
cp -R /tmp/agent-research-aggregator-src/skills/agent-research-aggregator ~/.claude/skills/agent-research-aggregator
# Deps: python3 only (stdlib argparse/json/pathlib — no pip install needed for the deterministic scripts).
# Phases 2 & 3 (extraction + synthesis) are LLM calls the host agent performs; no API key wired into the scripts.
# The skill's scripts reference paths as skills/agent-research-aggregator/scripts/*.py — run them from a repo checkout
#   or adjust to ~/.claude/skills/agent-research-aggregator/scripts/*.py
# Downstream paper-orchestra also needs user-supplied template.tex + conference_guidelines.md.

Commandes et exemples de prompts

/agent-research-aggregatorAnalyse les logs de cache d'agents IA et les formate en PaperOrchestra idea.md + experimental_log.md.

Les skills se déclenchent sur des demandes en langage courant — aucune commande à retenir. Après installation, des prompts comme ceux-ci l'activent (en anglais) :

Aggregate my Claude agent logs for paper writing
Extract experiments from my coding agent history
Prepare PaperOrchestra inputs from my .cursor cache

Rapport complet →