Agent Research Aggregator

Skanuje logi pamięci podręcznej agentów AI i formatuje je do PaperOrchestra idea.md + experimental_log.md

Testowano · Działa ★ 8.0/10

Co robi ten skill

Umiejętność wstępnego przetwarzania, która odkrywa logi eksperymentów w katalogach pamięci podręcznej agentów kodujących AI (.claude, .cursor, .antigravity, .openclaw) lub w dowolnym podanym folderze, a następnie wyodrębnia i syntetyzuje je w ustrukturyzowaną parę wejściową idea.md i experimental_log.md, której oczekuje potok pisania artykułów PaperOrchestra. Uruchamia się, gdy użytkownik prosi o agregację logów agentów do pisania artykułów, przygotowanie danych wejściowych PaperOrchestra z pamięci podręcznej lub przekształcenie rozproszonych historii eksperymentów w szkic artykułu. Działa jako tanie wstępne przejście przed umiejętnością paper-orchestra.

Raport z testu

Sklonowano repozytorium i uruchomiono potok w tymczasowym HOME na sfabrykowanym projekcie eksperymentu RL (.claude/memory + results_doorkey.json + NOTES.md). discover_logs.py zakończył działanie z kodem 2 bez --project i z kodem 0 po --project (zgodnie z SKILL.md); ogólne skanowanie plików nie ma rekursji **, więc musiałem wskazać --search-roots bezpośrednio na katalog projektu, zanim znalazł 3 pliki. Napisałem synthesis.json zgodnie z udokumentowanym schematem Fazy 3, a format_po_inputs.py deterministycznie wyprodukował idea.md (schemat Sparse), experimental_log.md (numerowane sekcje + wyrównana tabela wyników GFM + historia iteracji) i aggregation_report.md z ostrzeżeniami o jakości danych i listą kontrolną brakujących danych wejściowych. Porównano z ad-hoc bazową ideą/logiem, które napisałem z tych samych logów: wynik umiejętności jest zgodny ze schematem i możliwy do użycia w dalszych etapach, podczas gdy bazowe to luźna proza z wynikami w postaci punktów. grep we wszystkich trzech skryptach nie znalazł wzorców sieciowych/wykonawczych/base64/eksfiltracji; skrypty są tylko do odczytu w katalogach pamięci podręcznej i pomijają .env/credentials/keys. Identyfikator arXiv 2604.05018 cytowany w całym tekście jest niemożliwy do zweryfikowania.

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

Instalacja

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.

Komendy i przykładowe prompty

/agent-research-aggregatorSkanuje logi pamięci podręcznej agentów AI i formatuje je do PaperOrchestra idea.md + experimental_log.md

Skille uruchamiają się na zwykłe polecenia — bez komend do zapamiętania. Po instalacji aktywują go prompty takie jak te (po angielsku):

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

Pełny raport →