resume

Visão geral do skill resume

Para que serve o skill resume

O skill resume é um skill de workflow do Claude para continuar um experimento de autoresearch pausado, em vez de recomeçar a partir de uma lembrança vaga do trabalho anterior. Ele é acionado por /ar:resume ou quando o usuário pede para retomar um experimento iniciado anteriormente. Sua função real é restaurar a branch do experimento, ler a configuração salva, a estratégia, o histórico de resultados e os commits recentes, e então resumir o estado atual antes de continuar a iteração.

Usuários e repositórios mais indicados

Este skill resume é mais adequado para equipes que usam a estrutura autoresearch-agent de alirezarezvani/claude-skills, especialmente em repositórios onde os experimentos ficam em .autoresearch/{domain}/{name}/ e as branches seguem o padrão autoresearch/{domain}/{name}. Ele é mais útil em trabalhos de otimização de engenharia, mudanças guiadas por benchmarks e ciclos longos de experimentação em que o agente precisa saber o que já foi testado, mantido, descartado ou quebrou.

O que o diferencia de um prompt comum de retomada

Um prompt genérico do tipo “continue de onde paramos” depende da memória do chat. Este skill dá ao agente um caminho concreto de recuperação: listar experimentos se nenhum nome for informado, fazer checkout da branch correta, ler config.cfg, program.md, results.tsv e inspecionar o histórico recente do git. Essa estrutura reduz trabalho duplicado e ajuda o agente a continuar com base em evidências, não em suposições.

Principal ponto de atenção antes de adotar

O skill é compacto e leve de instalar, mas pressupõe que o workflow de autoresearch ao redor já exista. Antes de adotá-lo para Workflow Automation, confirme se seu repositório usa branches de experimento compatíveis, armazena o histórico de resultados em .autoresearch/ e tem o script auxiliar referenciado pelo skill disponível no contexto instalado esperado.

Como usar o skill resume

Instalação do resume e primeiros arquivos para inspecionar

Instale o skill a partir do repositório de origem com:

npx skills add alirezarezvani/claude-skills --skill resume

Depois da instalação, leia SKILL.md primeiro. Este skill não tem um README.md local extra, referências, regras ou scripts empacotados em sua pasta, então o detalhe importante de implementação é a sequência de comandos documentada em SKILL.md. Inspecione também a área mais ampla engineering/autoresearch-agent do repositório se o seu instalador trouxer a coleção completa de skills, porque /ar:resume referencia scripts/setup_experiment.py.

Como chamar o skill resume na prática

Use o comando sem argumento quando quiser que o agente liste os experimentos disponíveis:

/ar:resume

Use um caminho de experimento específico quando você já souber o domínio e o nome:

/ar:resume engineering/api-speed

Um bom prompt dá ao skill permissão para inspecionar o repositório e diz que tipo de continuidade você espera:

“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.”

Isso é melhor do que “resume the speed experiment”, porque orienta o agente a recuperar o estado primeiro e evita que ele pule direto para mudanças no código.

Workflow esperado após a invocação

O workflow pretendido pelo skill é:

1. Se nenhum nome de experimento for informado, listar os experimentos disponíveis e deixar o usuário escolher.
2. Fazer checkout de autoresearch/{domain}/{name}.
3. Ler .autoresearch/{domain}/{name}/config.cfg para entender alvo, métrica e restrições.
4. Ler program.md para recuperar a estratégia do experimento.
5. Ler results.tsv para consultar tentativas anteriores e resultados.
6. Revisar commits recentes da branch com git log --oneline -20.
7. Relatar o estado atual antes de continuar.

Para obter melhores resultados, peça um relatório de estado antes de aprovar outro experimento. O relatório deve incluir total de experimentos, contagens de mantidos/descartados/com falha, melhor métrica, baseline, última mudança tentada e padrões recentes.

Padrões práticos de prompt para melhorar a saída

Use o skill resume quando a decisão depender de evidências históricas do experimento. Boas solicitações de acompanhamento incluem:

• “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.”

Essas instruções melhoram a qualidade da resposta porque obrigam o agente a conectar o novo trabalho aos resultados salvos, em vez de apenas gerar uma próxima otimização plausível.

FAQ do skill resume

O resume serve apenas para experimentos de autoresearch?

Sim, na prática. O skill resume foi escrito em torno da convenção de autoresearch: branches de experimento chamadas autoresearch/{domain}/{name} e arquivos de estado em .autoresearch/{domain}/{name}/. Você pode adaptar a ideia para outros workflows, mas, pronto para uso, ele não é uma ferramenta genérica para retomar qualquer projeto.

Do que o skill resume precisa para funcionar?

Ele precisa de um experimento inicializado com branch, arquivo de configuração, arquivo de estratégia e tabela de resultados. Se config.cfg, program.md ou results.tsv estiverem ausentes, o agente ainda pode inspecionar o histórico do git, mas o valor central do skill diminui, porque ele não consegue reconstruir as decisões anteriores de forma confiável.

Como isso ajuda em Workflow Automation?

Em Workflow Automation, o skill cria uma rotina de recuperação repetível. Em vez de cada execução automatizada pedir ao modelo que infira o contexto, /ar:resume padroniza o que deve ser carregado e relatado. Isso é valioso para ciclos agendados de benchmark, tarefas de otimização interrompidas ou trabalho de agente em várias sessões, quando a reprodutibilidade importa.

Quando não devo usar este skill?

Não use para um experimento novo, uma edição pontual de código ou um repositório sem estado de autoresearch. Ele também não é uma boa opção se os dados do experimento existem apenas em transcrições de chat, comentários de issues ou dashboards externos. Nesses casos, escreva um prompt de recuperação personalizado ou adicione um skill complementar que saiba onde seu histórico real está armazenado.

Como melhorar o skill resume

Dê ao resume entradas de experimento mais fortes

O skill resume funciona melhor quando os arquivos salvos do experimento são limpos e orientados a decisões. Mantenha config.cfg explícito sobre o arquivo-alvo, a métrica, a direção, o baseline e as restrições. Mantenha program.md focado na estratégia, não em anotações soltas de conversa. Mantenha results.tsv consistente, com detalhes suficientes para diferenciar mudanças mantidas, mudanças descartadas, falhas e ruído de medição.

Evite modos comuns de falha do resume

A falha mais comum é continuar sem carregar totalmente o contexto. Peça ao agente para confirmar o nome da branch, a configuração, a estratégia, a contagem de resultados, o melhor resultado e o último commit antes de propor mudanças. Outra falha é confiar demais no resultado mais recente; exija comparação com o melhor resultado histórico e pergunte se a melhoria é significativa para a métrica.

Itere depois da primeira saída retomada

Depois que o skill relatar o estado, refine o próximo passo com perguntas direcionadas:

• “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?”

Isso transforma o guia de retomada em um ciclo baseado em evidências, e não em um simples checkout de branch.

Personalize o skill para o seu repositório

Se a sua equipe usa nomes de branch, formatos de resultado ou diretórios de experimento diferentes, edite as instruções do skill para refletir essas convenções. Boas adições incluem uma checagem de working tree suja, um comando obrigatório de teste ou benchmark, uma descrição do schema de resultados e uma regra para parar antes de operações git destrutivas. Essas mudanças tornam o skill resume mais seguro e confiável sem alterar seu objetivo central: recuperar o contexto do experimento e continuar a partir da evidência mais forte disponível.