resume
por alirezarezvaniresume es una skill de flujo de trabajo para Claude pensada para continuar experimentos de autoresearch pausados. Hace checkout de la rama del experimento, lee la configuración .autoresearch, la estrategia, el historial de resultados y los git logs, y luego informa el estado actual antes de la siguiente iteración.
Esta skill obtiene 64/100, una puntuación aceptable pero limitada para aparecer en el directorio. Los usuarios del directorio obtienen un flujo especializado y claro para reanudar experimentos de autoresearch, pero deberían instalarla solo si ya usan la estructura de repositorio de autoresearch esperada y están cómodos completando huecos relacionados con scripts auxiliares ausentes y el manejo de casos límite.
- Activación clara: el frontmatter define el comando /ar:resume e indica que debe usarse al reanudar un experimento de autoresearch iniciado previamente.
- Ofrece un flujo concreto de reanudación: listar o seleccionar un experimento, hacer checkout de autoresearch/{domain}/{name}, leer config/program/results, revisar el git log y resumir el estado actual.
- Proporciona a los agentes una plantilla de informe útil con objetivo, métrica, recuentos de experimentos, mejor resultado, último experimento y patrones recientes, lo que reduce la incertidumbre frente a un prompt genérico para reanudar.
- La ruta sin argumentos parece llamar a {skill_path}/scripts/setup_experiment.py --list, pero las señales del repositorio indican que no hay scripts incluidos dentro de la skill, por lo que el listado de experimentos puede fallar si no se proporciona por otra vía.
- La skill está muy ligada a las convenciones de ramas autoresearch y archivos .autoresearch/{domain}/{name}, con poca orientación para archivos faltantes, worktrees con cambios sin confirmar o checkouts fallidos.
Descripción general de resume skill
Para qué sirve resume skill
La resume skill es una habilidad de flujo de trabajo de Claude pensada para continuar un experimento de autoresearch que quedó pausado, en lugar de reiniciarlo desde un recuerdo impreciso del trabajo anterior. Se activa con /ar:resume o cuando el usuario pide retomar un experimento iniciado previamente. Su función real es restaurar la rama del experimento, leer la configuración guardada, la estrategia, el historial de resultados y los commits recientes, y luego resumir el estado actual antes de seguir iterando.
Usuarios y repositorios para los que encaja mejor
Esta resume skill encaja con equipos que usan la estructura autoresearch-agent de alirezarezvani/claude-skills, especialmente en repositorios donde los experimentos se guardan en .autoresearch/{domain}/{name}/ y las ramas siguen el formato autoresearch/{domain}/{name}. Resulta especialmente útil para trabajos de optimización de ingeniería, cambios guiados por benchmarks y ciclos de experimentación largos en los que el agente necesita saber qué ya se probó, qué se conservó, qué se descartó o qué falló.
Qué la diferencia de un prompt normal para retomar trabajo
Un prompt genérico como “continúa donde lo dejamos” depende de la memoria del chat. Esta skill le da al agente una ruta concreta de recuperación: listar experimentos si no se proporciona un nombre, hacer checkout de la rama correcta, leer config.cfg, program.md, results.tsv e inspeccionar el historial reciente de git. Esa estructura reduce el trabajo duplicado y ayuda al agente a continuar desde evidencia, no desde suposiciones.
Consideración clave antes de adoptarla
La skill es compacta y ligera de instalar, pero asume que ya existe el flujo de trabajo de autoresearch alrededor. Antes de adoptarla para Workflow Automation, confirma que tu repositorio usa ramas de experimento compatibles, guarda el historial de resultados en .autoresearch/ y tiene disponible, en el contexto instalado esperado, el script auxiliar al que hace referencia la skill.
Cómo usar resume skill
Instalación de resume y primeros archivos que conviene revisar
Instala la skill desde el repositorio de origen con:
npx skills add alirezarezvani/claude-skills --skill resume
Después de instalarla, lee primero SKILL.md. Esta skill no incluye un README.md local adicional, referencias, reglas ni scripts empaquetados dentro de su carpeta, así que el detalle importante de implementación está en la secuencia de comandos documentada en SKILL.md. Revisa también el área más amplia engineering/autoresearch-agent del repositorio si tu instalador descarga la colección completa de skills, porque /ar:resume hace referencia a scripts/setup_experiment.py.
Cómo invocar resume skill en la práctica
Usa el comando sin argumento cuando quieras que el agente liste los experimentos disponibles:
/ar:resume
Usa una ruta de experimento específica cuando ya conozcas el dominio y el nombre:
/ar:resume engineering/api-speed
Un buen prompt le da permiso a la skill para inspeccionar el repositorio e indica qué tipo de continuación quieres:
“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.”
Esto es mejor que “resume the speed experiment” porque le indica al agente que primero recupere el estado y evita que salte directamente a modificar código.
Flujo de trabajo esperado después de invocarla
El flujo previsto de la skill es:
- Si no se proporciona un nombre de experimento, listar los experimentos disponibles y dejar que el usuario elija.
- Hacer checkout de
autoresearch/{domain}/{name}. - Leer
.autoresearch/{domain}/{name}/config.cfgpara identificar objetivo, métrica y restricciones. - Leer
program.mdpara conocer la estrategia del experimento. - Leer
results.tsvpara revisar pruebas previas y resultados. - Revisar los commits recientes de la rama con
git log --oneline -20. - Informar el estado actual antes de continuar.
Para obtener mejores resultados, pide un informe de estado antes de aprobar otro experimento. Ese informe debería incluir el total de experimentos, los recuentos de cambios conservados, descartados y fallidos, la mejor métrica, la línea base, el último cambio intentado y los patrones recientes.
Patrones de prompt útiles para obtener mejores resultados
Usa resume skill cuando la decisión dependa de evidencia histórica del experimento. Algunas buenas solicitudes de seguimiento son:
- “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.”
Estas instrucciones mejoran la calidad de la salida porque obligan al agente a conectar el trabajo nuevo con los resultados guardados, no solo a generar una optimización siguiente que parezca razonable.
Preguntas frecuentes sobre resume skill
¿resume sirve solo para experimentos de autoresearch?
Sí, en la práctica. La resume skill está escrita alrededor de la convención de autoresearch: ramas de experimento llamadas autoresearch/{domain}/{name} y archivos de estado en .autoresearch/{domain}/{name}/. Puedes adaptar la idea a otros flujos de trabajo, pero tal como viene no es una herramienta general para retomar cualquier proyecto.
¿Qué necesita resume skill para funcionar?
Necesita un experimento inicializado con una rama, un archivo de configuración, un archivo de estrategia y una tabla de resultados. Si faltan config.cfg, program.md o results.tsv, el agente aún puede inspeccionar el historial de git, pero el valor principal de la skill disminuye porque no puede reconstruir de forma confiable las decisiones anteriores.
¿Cómo ayuda esto en Workflow Automation?
Para Workflow Automation, la skill crea una rutina de recuperación repetible. En lugar de que cada ejecución automatizada le pida al modelo inferir el contexto, /ar:resume estandariza qué se carga y qué se reporta. Esto es valioso para ciclos de benchmarks programados, tareas de optimización interrumpidas o trabajo de agente en varias sesiones donde la reproducibilidad importa.
¿Cuándo no debería usar esta skill?
No la uses para un experimento nuevo, una edición puntual de código o un repositorio sin estado de autoresearch. Tampoco encaja bien si los datos del experimento viven solo en transcripciones de chat, comentarios de issues o dashboards externos. En esos casos, escribe un prompt de recuperación personalizado o añade una skill complementaria que sepa dónde está guardado tu historial real.
Cómo mejorar resume skill
Dale a resume entradas de experimento más sólidas
La resume skill funciona mejor cuando los archivos guardados del experimento están limpios y orientados a la toma de decisiones. Mantén config.cfg explícito respecto al archivo objetivo, la métrica, la dirección, la línea base y las restricciones. Mantén program.md centrado en la estrategia, no en notas conversacionales. Mantén results.tsv consistente, con suficiente detalle para distinguir cambios conservados, cambios descartados, fallos y ruido de medición.
Evita los fallos habituales de resume
El fallo más común es continuar sin haber cargado por completo el contexto. Pídele al agente que confirme el nombre de la rama, la configuración, la estrategia, el número de resultados, el mejor resultado y el último commit antes de proponer cambios. Otro fallo es confiar demasiado en el resultado más reciente; exige una comparación contra el mejor resultado histórico y pregunta si la mejora es significativa para la métrica.
Itera después de la primera salida retomada
Después de que la skill informe el estado, mejora el siguiente paso con preguntas concretas:
- “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?”
Esto convierte la guía de resume en un ciclo basado en evidencia, no en un simple checkout de rama.
Personaliza la skill para tu repositorio
Si tu equipo usa otros nombres de ramas, formatos de resultados o directorios de experimentos, edita las instrucciones de la skill para que coincidan con esas convenciones. Algunas mejoras útiles son una comprobación de working tree sucio, un comando obligatorio de test o benchmark, una descripción del esquema de resultados y una regla para detenerse antes de operaciones destructivas de git. Estos cambios hacen que la resume skill sea más segura y confiable sin cambiar su propósito central: recuperar el contexto del experimento y continuar desde la evidencia más sólida disponible.