resume
von alirezarezvaniresume ist ein Claude-Workflow-Skill zum Fortsetzen pausierter autoresearch-Experimente. Er checkt den Experiment-Branch aus, liest .autoresearch-Konfiguration, Strategie, Ergebnisverlauf und git logs und meldet anschließend den aktuellen Stand vor der nächsten Iteration.
Dieser Skill erreicht 64/100 Punkte und ist damit für einen Directory-Eintrag akzeptabel, aber nur eingeschränkt empfehlenswert. Nutzer erhalten einen klaren, spezialisierten Workflow zum Fortsetzen von autoresearch-Experimenten. Installieren sollten sie ihn jedoch vor allem dann, wenn sie bereits die erwartete autoresearch-Repository-Struktur verwenden und bereit sind, Lücken bei fehlenden Hilfsskripten und Sonderfällen selbst zu schließen.
- Klar auslösbar: Das Frontmatter definiert den Befehl /ar:resume und beschreibt, dass er beim Fortsetzen eines zuvor gestarteten autoresearch-Experiments verwendet werden soll.
- Bietet einen konkreten Resume-Workflow: Experiment auflisten oder auswählen, autoresearch/{domain}/{name} auschecken, config/program/results lesen, git log prüfen und den aktuellen Stand zusammenfassen.
- Liefert Agenten eine nützliche Berichtsvorlage mit Ziel, Metrik, Experimentanzahl, bestem Ergebnis, letztem Experiment und aktuellen Mustern. Das reduziert Rätselraten gegenüber einem generischen Resume-Prompt.
- Der Aufruf ohne Argumente scheint {skill_path}/scripts/setup_experiment.py --list zu verwenden. Die Repository-Hinweise zeigen jedoch keine unter dem Skill enthaltenen scripts, daher kann das Auflisten von Experimenten fehlschlagen, sofern es nicht an anderer Stelle bereitgestellt wird.
- Der Skill ist eng an die autoresearch-Branch- und .autoresearch/{domain}/{name}-Dateikonventionen gebunden und bietet nur wenig Orientierung bei fehlenden Dateien, nicht sauberen Worktrees oder fehlgeschlagenen Checkouts.
Überblick über resume skill
Wofür der resume skill gedacht ist
Der resume skill ist ein Claude-Workflow-Skill, mit dem ein pausiertes Autoresearch-Experiment fortgesetzt wird, statt aus einer vagen Erinnerung an frühere Arbeit neu zu starten. Er wird durch /ar:resume ausgelöst oder wenn ein Nutzer darum bittet, ein bereits begonnenes Experiment wieder aufzunehmen. Seine eigentliche Aufgabe ist es, den Experiment-Branch wiederherzustellen, gespeicherte Konfiguration, Strategie, Ergebnisverlauf und aktuelle Commits zu lesen und anschließend den aktuellen Stand zusammenzufassen, bevor die Iteration weitergeht.
Für welche Nutzer und Repositories er am besten passt
Dieser resume skill passt zu Teams, die die autoresearch-agent-Struktur aus alirezarezvani/claude-skills verwenden, insbesondere in Repositories, in denen Experimente unter .autoresearch/{domain}/{name}/ gespeichert werden und Branches dem Muster autoresearch/{domain}/{name} folgen. Am nützlichsten ist er für technische Optimierungen, benchmarkgetriebene Änderungen und länger laufende Experiment-Schleifen, bei denen der Agent wissen muss, was bereits ausprobiert, übernommen, verworfen oder durch einen Crash beendet wurde.
Was ihn von einem normalen Resume-Prompt unterscheidet
Ein allgemeiner Prompt wie „mach dort weiter, wo wir aufgehört haben“ hängt von der Chat-Erinnerung ab. Dieser Skill gibt dem Agenten einen konkreten Wiederaufnahme-Pfad: Experimente auflisten, wenn kein Name angegeben ist, den richtigen Branch auschecken, config.cfg, program.md und results.tsv lesen und die jüngere Git-Historie prüfen. Diese Struktur reduziert doppelte Arbeit und hilft dem Agenten, auf Basis von Evidenz statt Annahmen weiterzuarbeiten.
Wichtiger Punkt vor der Einführung
Der Skill ist kompakt und leicht zu installieren, setzt aber voraus, dass der umgebende Autoresearch-Workflow vorhanden ist. Bevor du ihn für Workflow Automation einführst, prüfe, ob dein Repository kompatible Experiment-Branches nutzt, Ergebnisverläufe in .autoresearch/ speichert und das vom Skill referenzierte Helper-Skript im erwarteten installierten Kontext verfügbar ist.
So verwendest du den resume skill
resume installieren und die ersten Dateien prüfen
Installiere den Skill aus dem Quell-Repository mit:
npx skills add alirezarezvani/claude-skills --skill resume
Lies nach der Installation zuerst SKILL.md. Dieser Skill hat keinen zusätzlichen lokalen README.md, keine References, Rules oder gebündelten Skripte in seinem Skill-Ordner. Das wichtigste Implementierungsdetail ist daher die in SKILL.md dokumentierte Befehlsabfolge. Prüfe außerdem den größeren Bereich engineering/autoresearch-agent des Repositories, falls dein Installer die vollständige Skill-Sammlung lädt, denn /ar:resume verweist auf scripts/setup_experiment.py.
Den resume skill in der Praxis aufrufen
Verwende den Befehl ohne Argument, wenn der Agent die verfügbaren Experimente auflisten soll:
/ar:resume
Verwende einen konkreten Experimentpfad, wenn du Domain und Namen bereits kennst:
/ar:resume engineering/api-speed
Ein guter Prompt erlaubt dem Skill, das Repository zu inspizieren, und beschreibt, welche Art von Fortsetzung du erwartest:
„Run /ar:resume engineering/api-speed. After loading the branch and .autoresearch files, summarize the best result, failed attempts, current hypothesis, and propose the next safe experiment before editing code.“
Das ist besser als „resume the speed experiment“, weil der Agent zuerst den Zustand rekonstruieren soll und nicht direkt in Codeänderungen springt.
Erwarteter Ablauf nach dem Aufruf
Der vorgesehene Workflow des Skills ist:
- Wenn kein Experimentname angegeben ist, verfügbare Experimente auflisten und den Nutzer auswählen lassen.
autoresearch/{domain}/{name}auschecken..autoresearch/{domain}/{name}/config.cfglesen, um Ziel, Metrik und Constraints zu erfassen.program.mdfür die Experimentstrategie lesen.results.tsvfür frühere Versuche und Ergebnisse lesen.- Aktuelle Branch-Commits mit
git log --oneline -20prüfen. - Den aktuellen Stand berichten, bevor die Arbeit fortgesetzt wird.
Für die besten Ergebnisse solltest du einen Zustandsbericht anfordern, bevor du ein weiteres Experiment freigibst. Der Bericht sollte die Gesamtzahl der Experimente, die Anzahl der behaltenen, verworfenen und gecrashten Versuche, die beste Metrik, die Baseline, die zuletzt versuchte Änderung und aktuelle Muster enthalten.
Praktische Prompt-Muster für bessere Ergebnisse
Nutze den resume skill, wenn die Entscheidung von historischer Experiment-Evidenz abhängt. Gute Folgeanweisungen sind zum Beispiel:
- „Do not repeat discarded approaches unless the reason for failure has changed.“
- „Compare the next proposed change against the best kept result in
results.tsv.“ - „Before editing, identify any crashed experiments that indicate unsafe directions.“
- „If the branch is dirty, stop and explain the working tree state first.“
Diese Anweisungen verbessern die Ergebnisqualität, weil der Agent neue Arbeit mit gespeicherten Ergebnissen verknüpfen muss, statt nur eine plausibel klingende nächste Optimierung zu erzeugen.
FAQ zum resume skill
Ist resume nur für Autoresearch-Experimente gedacht?
Ja, praktisch gesehen schon. Der resume skill ist auf die Autoresearch-Konvention ausgelegt: Experiment-Branches mit Namen wie autoresearch/{domain}/{name} und Zustandsdateien unter .autoresearch/{domain}/{name}/. Du kannst die Idee auf andere Workflows übertragen, aber direkt nach der Installation ist er kein allgemeines Tool zum Fortsetzen beliebiger Projekte.
Was braucht der resume skill, damit er funktioniert?
Er benötigt ein initialisiertes Experiment mit Branch, Konfigurationsdatei, Strategiedatei und Ergebnistabelle. Wenn config.cfg, program.md oder results.tsv fehlen, kann der Agent zwar weiterhin die Git-Historie prüfen, der zentrale Nutzen des Skills ist dann aber geringer, weil frühere Entscheidungen nicht zuverlässig rekonstruiert werden können.
Warum ist das für Workflow Automation nützlich?
Für Workflow Automation schafft der Skill eine wiederholbare Routine zur Wiederaufnahme. Statt bei jedem Automationslauf das Modell den Kontext erraten zu lassen, standardisiert /ar:resume, was geladen und berichtet wird. Das ist wertvoll für geplante Benchmark-Schleifen, unterbrochene Optimierungsaufgaben oder agentengestützte Arbeit über mehrere Sitzungen hinweg, bei der Reproduzierbarkeit wichtig ist.
Wann sollte ich diesen Skill nicht verwenden?
Verwende ihn nicht für ein neues Experiment, eine einmalige Codeänderung oder ein Repository ohne Autoresearch-Zustand. Er passt auch schlecht, wenn deine Experimentdaten nur in Chat-Transkripten, Issue-Kommentaren oder externen Dashboards liegen. In solchen Fällen solltest du einen eigenen Recovery-Prompt schreiben oder einen ergänzenden Skill hinzufügen, der weiß, wo deine tatsächliche Historie gespeichert ist.
So verbesserst du den resume skill
Dem resume skill bessere Experiment-Eingaben geben
Der resume skill funktioniert am besten, wenn die gespeicherten Experimentdateien sauber und entscheidungsorientiert sind. Halte config.cfg eindeutig in Bezug auf Zieldatei, Metrik, Richtung, Baseline und Constraints. Halte program.md auf die Strategie fokussiert, statt dort lose Gesprächsnotizen zu sammeln. Halte results.tsv konsistent und detailliert genug, um übernommene Änderungen, verworfene Änderungen, Crashes und Messrauschen auseinanderzuhalten.
Häufige Fehler beim Fortsetzen vermeiden
Der häufigste Fehler ist, weiterzuarbeiten, ohne den Kontext vollständig geladen zu haben. Bitte den Agenten, Branch-Name, Konfiguration, Strategie, Ergebnisanzahl, bestes Ergebnis und letzten Commit zu bestätigen, bevor er Änderungen vorschlägt. Ein weiterer Fehler ist, dem neuesten Ergebnis zu stark zu vertrauen; verlange einen Vergleich mit dem besten historischen Ergebnis und frage, ob die Verbesserung für die Metrik tatsächlich relevant ist.
Nach der ersten Resume-Ausgabe weiter iterieren
Nachdem der Skill den Zustand berichtet hat, kannst du den nächsten Schritt mit gezielten Fragen verbessern:
- „Which previous attempts should be avoided and why?“
- „What is the smallest reversible experiment from here?“
- „What evidence suggests this direction is better than the discarded ones?“
- „What command should validate success before marking KEEP?“
So wird der Resume-Leitfaden zu einer evidenzbasierten Schleife und nicht nur zu einem einfachen Branch-Checkout.
Den Skill an dein Repository anpassen
Wenn dein Team andere Branchnamen, Ergebnisformate oder Experimentverzeichnisse verwendet, passe die Skill-Anweisungen an diese Konventionen an. Sinnvolle Ergänzungen sind ein Dirty-Working-Tree-Check, ein verpflichtender Test- oder Benchmark-Befehl, eine Beschreibung des Ergebnisschemas und eine Regel, vor destruktiven Git-Operationen anzuhalten. Diese Änderungen machen den resume skill sicherer und zuverlässiger, ohne seinen Kernzweck zu verändern: Experimentkontext wiederherstellen und auf Basis der stärksten verfügbaren Evidenz weiterarbeiten.