resume
par alirezarezvaniresume est un skill de workflow Claude conçu pour reprendre des expériences autoresearch mises en pause. Il checkout la branche de l’expérience, lit la configuration .autoresearch, la stratégie, l’historique des résultats et les logs git, puis présente l’état actuel avant l’itération suivante.
Ce skill obtient 64/100, un score acceptable mais limité pour une présence dans l’annuaire. Les utilisateurs y trouveront un workflow clair et spécialisé pour reprendre des expériences autoresearch, mais il vaut mieux l’installer seulement si vous utilisez déjà la structure de dépôt autoresearch attendue et si vous êtes prêt à combler les manques autour des scripts d’aide absents et de la gestion des cas limites.
- Déclenchement clair : le frontmatter définit la commande /ar:resume et précise qu’elle doit être utilisée pour reprendre une expérience autoresearch déjà lancée.
- Propose un workflow de reprise concret : lister ou sélectionner une expérience, faire le checkout de autoresearch/{domain}/{name}, lire la configuration, le programme et les résultats, inspecter le git log, puis résumer l’état actuel.
- Fournit aux agents un modèle de rapport utile avec l’objectif, la métrique, le nombre d’expériences, le meilleur résultat, la dernière expérience et les tendances récentes, ce qui limite les approximations par rapport à un prompt de reprise générique.
- Le chemin sans argument semble appeler {skill_path}/scripts/setup_experiment.py --list, mais les signaux du dépôt n’indiquent aucun script inclus dans le skill ; la liste des expériences peut donc échouer si elle n’est pas fournie ailleurs.
- Le skill dépend fortement de la branche autoresearch et des conventions de fichiers .autoresearch/{domain}/{name}, avec peu d’indications pour gérer les fichiers manquants, les worktrees modifiés ou les échecs de checkout.
Présentation du skill resume
À quoi sert le skill resume
Le skill resume est un skill de workflow Claude conçu pour reprendre une expérience autoresearch interrompue, plutôt que de repartir d’un souvenir vague du travail déjà effectué. Il se déclenche avec /ar:resume ou lorsqu’un utilisateur demande de reprendre une expérience commencée auparavant. Son rôle réel est de restaurer la branche de l’expérience, de lire la configuration enregistrée, la stratégie, l’historique des résultats et les commits récents, puis de résumer l’état actuel avant de poursuivre les itérations.
Utilisateurs et dépôts pour lesquels il est le plus adapté
Ce skill resume convient aux équipes qui utilisent la structure autoresearch-agent de alirezarezvani/claude-skills, en particulier dans les dépôts où les expériences sont stockées sous .autoresearch/{domain}/{name}/ et où les branches suivent le format autoresearch/{domain}/{name}. Il est particulièrement utile pour les travaux d’optimisation technique, les changements pilotés par des benchmarks et les boucles d’expérimentation longues, lorsque l’agent doit savoir ce qui a déjà été essayé, conservé, rejeté ou ce qui a échoué.
Ce qui le distingue d’un prompt de reprise classique
Un prompt générique du type « reprends là où nous en étions » dépend de la mémoire de conversation. Ce skill donne à l’agent un chemin de reprise concret : lister les expériences si aucun nom n’est fourni, checkout la bonne branche, lire config.cfg, program.md, results.tsv, puis inspecter l’historique git récent. Cette structure réduit le travail en double et aide l’agent à continuer à partir de preuves, plutôt que d’hypothèses.
Point clé avant adoption
Le skill est compact et léger à installer, mais il suppose que le workflow autoresearch environnant existe déjà. Avant de l’adopter pour de la Workflow Automation, vérifiez que votre dépôt utilise des branches d’expérience compatibles, stocke l’historique des résultats dans .autoresearch/, et dispose du script d’aide référencé par le skill dans le contexte d’installation attendu.
Comment utiliser le skill resume
Installation de resume et premiers fichiers à inspecter
Installez le skill depuis le dépôt source avec :
npx skills add alirezarezvani/claude-skills --skill resume
Après l’installation, lisez d’abord SKILL.md. Ce skill ne contient pas de README.md local supplémentaire, ni de références, règles ou scripts embarqués dans son dossier de skill ; le détail d’implémentation important est donc la séquence de commandes documentée dans SKILL.md. Inspectez aussi la zone plus large engineering/autoresearch-agent du dépôt si votre installateur récupère toute la collection de skills, car /ar:resume référence scripts/setup_experiment.py.
Appeler le skill resume en pratique
Utilisez la commande sans argument lorsque vous voulez que l’agent liste les expériences disponibles :
/ar:resume
Utilisez un chemin d’expérience précis si vous connaissez déjà le domaine et le nom :
/ar:resume engineering/api-speed
Un bon prompt autorise explicitement le skill à inspecter le dépôt et précise le type de reprise attendu :
“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.”
C’est préférable à « reprends l’expérience de performance », car cela demande à l’agent de restaurer l’état en premier et l’empêche de se lancer directement dans des modifications de code.
Workflow attendu après invocation
Le workflow prévu par le skill est le suivant :
- Si aucun nom d’expérience n’est fourni, lister les expériences disponibles et laisser l’utilisateur choisir.
- Checkout
autoresearch/{domain}/{name}. - Lire
.autoresearch/{domain}/{name}/config.cfgpour récupérer la cible, la métrique et les contraintes. - Lire
program.mdpour comprendre la stratégie de l’expérience. - Lire
results.tsvpour examiner les essais et résultats précédents. - Examiner les commits récents de la branche avec
git log --oneline -20. - Présenter l’état actuel avant de continuer.
Pour de meilleurs résultats, demandez un rapport d’état avant d’approuver une nouvelle expérience. Ce rapport doit inclure le nombre total d’expériences, les décomptes des changements conservés/rejetés/échoués, la meilleure métrique, la baseline, le dernier changement tenté et les tendances récentes.
Modèles de prompts pratiques pour de meilleurs résultats
Utilisez le skill resume lorsque la décision dépend de preuves issues de l’historique des expériences. De bonnes demandes de suivi peuvent être :
- “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.”
Ces instructions améliorent la qualité des réponses, car elles obligent l’agent à relier le nouveau travail aux résultats enregistrés, au lieu de générer simplement une prochaine optimisation plausible.
FAQ du skill resume
resume est-il uniquement destiné aux expériences autoresearch ?
Oui, en pratique. Le skill resume est écrit autour de la convention autoresearch : des branches d’expérience nommées autoresearch/{domain}/{name} et des fichiers d’état sous .autoresearch/{domain}/{name}/. Vous pouvez adapter l’idée à d’autres workflows, mais tel quel, ce n’est pas un outil général de reprise de projet.
De quoi le skill resume a-t-il besoin pour fonctionner ?
Il lui faut une expérience initialisée avec une branche, un fichier de configuration, un fichier de stratégie et un tableau de résultats. Si config.cfg, program.md ou results.tsv manquent, l’agent peut tout de même inspecter l’historique git, mais la valeur principale du skill diminue, car il ne peut plus reconstruire de manière fiable les décisions précédentes.
En quoi est-ce utile pour la Workflow Automation ?
Pour la Workflow Automation, le skill met en place une routine de reprise reproductible. Au lieu de demander au modèle, à chaque exécution automatisée, de déduire le contexte, /ar:resume standardise ce qui est chargé et rapporté. C’est utile pour des boucles de benchmark planifiées, des tâches d’optimisation interrompues ou un travail d’agent sur plusieurs sessions, lorsque la reproductibilité compte.
Quand ne faut-il pas utiliser ce skill ?
Ne l’utilisez pas pour une nouvelle expérience, une modification de code ponctuelle ou un dépôt sans état autoresearch. Il convient également mal si vos données d’expérience vivent uniquement dans des transcriptions de chat, des commentaires d’issues ou des dashboards externes. Dans ces cas, rédigez un prompt de reprise personnalisé ou ajoutez un skill compagnon qui sait où se trouve réellement votre historique.
Comment améliorer le skill resume
Fournir à resume de meilleurs éléments d’expérience
Le skill resume fonctionne mieux lorsque les fichiers d’expérience enregistrés sont propres et orientés décision. Gardez config.cfg explicite sur le fichier cible, la métrique, le sens d’optimisation, la baseline et les contraintes. Gardez program.md centré sur la stratégie, plutôt que sur des notes conversationnelles. Gardez results.tsv cohérent, avec assez de détails pour distinguer les changements conservés, les changements rejetés, les crashes et le bruit de mesure.
Éviter les modes d’échec fréquents de resume
L’échec le plus courant consiste à continuer sans avoir chargé tout le contexte. Demandez à l’agent de confirmer le nom de la branche, la configuration, la stratégie, le nombre de résultats, le meilleur résultat et le dernier commit avant de proposer des changements. Un autre échec consiste à faire trop confiance au résultat le plus récent ; exigez une comparaison avec le meilleur résultat historique et demandez si l’amélioration est réellement significative pour la métrique.
Itérer après la première reprise
Une fois que le skill a présenté l’état, améliorez l’étape suivante avec des questions ciblées :
- “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?”
Cela transforme le guide de reprise en boucle fondée sur des preuves, plutôt qu’en simple checkout de branche.
Adapter le skill à votre dépôt
Si votre équipe utilise d’autres noms de branches, formats de résultats ou répertoires d’expériences, modifiez les instructions du skill pour refléter ces conventions. Parmi les ajouts utiles : un contrôle de working tree sale, une commande de test ou de benchmark obligatoire, une description du schéma des résultats et une règle imposant de s’arrêter avant toute opération git destructive. Ces changements rendent le skill resume plus sûr et plus fiable sans modifier son objectif central : retrouver le contexte d’une expérience et continuer à partir des preuves les plus solides disponibles.