“implementing”的搜索结果

使用ReasoningBank和AgentDB实现经验记忆：记录智能体的行动与结果，检索相似经历、评估结果并整理记忆，供后续决策复用。

• 开发能够复用经验的智能体
• 记录智能体行动并评估结果
• 将相似经历整理为共通模式

Create AgentDB learning plugins that use recorded experience to improve agent decisions. Choose a learning method, store states, actions, and rewards, train models, and evaluate suggested actions through CLI and API workflows.

中文简介正在准备中。当前显示英语简介。

• Train agents from historical experience
• Build decision-making for games and navigation
• Combine experience from multiple agents for training

通过agentic-flow为多个AI代理分配任务，组织并行工作或有先后顺序的流程，并配置共享记忆、负载均衡、失败重试与任务重新分配。

• 并行开发API、界面和测试
• 组织从设计到评审的工作流程
• 在代理间共享规范与进度

将claude-flow改为基于agentic-flow@alpha的扩展，减少重复实现，通过适配层分阶段迁移代理管理和任务执行，并验证兼容性。

• 整理代理与任务管理的重复实现
• 设计保留现有API的适配层
• 整合学习、共享记忆与MCP工具

Coordinate 15 agents implementing claude-flow v3 across security, core systems, integration, testing, performance, and release work. Provides role assignments, task dependencies, GitHub tracking examples, and a four-phase schedule spanning 14 weeks.

中文简介正在准备中。当前显示英语简介。

• Assign claude-flow v3 work across 15 agents
• Run tasks in parallel while respecting dependencies
• Track milestones and progress through GitHub issues

使用ReasoningBank实现记录AI智能体任务结果和工作情境的机制，根据过去经验选择后续方法，并支持成功与失败模式匹配、策略比较和学习效果检查。

• 根据历史结果选择任务方法
• 比较代码审查或缺陷修复策略
• 将当前情境与已学模式匹配

在新增功能或修复缺陷时，先编写表达预期行为的测试，确认失败原因后再进行最小实现，并运行相关测试、检查改动，核实变更影响。

• 编写重现缺陷的回归测试
• 先明确预期行为再实现
• 验证解析器或界面的行为变更

查阅库、框架和API的官方资料，将目标版本的用法用于解答或代码实现。区分已确认的事实与推断，并在修改代码后进行验证。

• 确认API和选项的具体规定
• 按指定版本实现功能
• 将官方资料应用于现有项目

检查未使用代码、重复状态及冗余API和层级，依据证据整理删除或合并候选项。可仅开展调查，也可在获准范围内实施修改并验证保留的功能。

• 寻找可删除的代码
• 合并重复状态或API
• 重新评估旧兼容逻辑和设计记录

从实际问题、现有系统及具体使用方出发评估功能或迁移方案，确定必要范围，梳理影响和验证方法，并在收到实施请求后修改和检查结果。

• 判断新增功能是否必要
• 梳理重构或迁移范围
• 确认接口或数据字段的使用方

协助实现和管理Raft，通过领导者选举、日志复制、节点增删及网络中断后的重新同步，让分布式系统中的多个节点保持状态一致。

• 实现分布式节点的领导者选举
• 保持复制日志的一致性
• 添加或移除集群节点

Improve existing code through repeated cycles of testing, implementation, and refactoring. The skill covers performance bottlenecks, error recovery, code coverage, and documentation, helping developers refine behavior and structure while keeping tests passing.

中文简介正在准备中。当前显示英语简介。

• Refactoring existing code while keeping tests passing
• Adding tests before implementing expected behavior
• Investigating slow database access and cache usage

帮助实现多个设备或服务器之间的数据同步，使用CRDT合并并发更新，涵盖计数器、集合等结构，以及仅发送变更的增量同步和操作因果关系追踪。

• 汇总多个节点的计数
• 合并共享集合的并发更新
• 实现仅传输变更的增量同步

根据规格和设计，先编写测试，再实现可运行的代码。通过测试确认结果并整理代码，同时完善错误处理、性能、注释和相关文档。

• 根据规格和设计实现功能
• 开发带测试的身份验证或API
• 结合测试验证整理现有代码

根据已确认的规格编写伪代码，设计模块职责、依赖关系及API输入输出；经用户确认后，继续按设计实现代码并编写单元测试。

• 将已确认的规格转为伪代码
• 设计模块职责与依赖关系
• 设计API输入输出及错误格式

为跨文件开发或审计初始化由三个及以上人工智能代理组成的团队，分配专业角色，并配置团队结构、并行执行和代理间通信。

• 分工实现跨文件功能
• 协调跨模块重构
• 组织代理团队开展安全审计

使用模拟对象替代依赖项，从失败测试开始，以最少代码实现预期行为，再整理代码，支持测试驱动开发，并记录最终目标测试和回归测试的实际执行结果。

• 实现功能前定义预期行为
• 模拟外部依赖并验证模块
• 保持测试通过并整理代码

使用ruflo模板创建扩展Claude Code行为的mod，配置可与传统命令钩子共用的函数钩子、用户设置和状态显示，并完成验证与测试。

• 创建扩展Claude Code的mod
• 实现兼容传统方式的函数钩子
• 添加用户设置和状态显示

以失败的测试为依据自动修复实现代码，保持测试内容不变。可指定费用预算和尝试次数，再通过重新运行测试查看修复结果、每次验证情况及使用费用。

• 修复提交后出现的CI测试失败
• 完成实现以通过预先编写的测试
• 在指定预算内调查回归问题

实现能够记录任务结果和情境、利用过往经验选择后续方法的AI智能体，涵盖模式匹配、策略比较、学习记录持久化及效果检查。

• 开发从任务结果中学习的智能体
• 比较代码审查和缺陷修复策略
• 查找适合当前情境的已学模式

使用ReasoningBank和AgentDB实现经验记忆：记录智能体的行动与结果，检索相似经历、评估结果并整理记忆，供后续决策复用。

• 开发能够复用经验的智能体
• 记录智能体行动并评估结果
• 将相似经历整理为共通模式

通过agentic-flow让多个AI智能体分工，安排并行任务和有先后依赖的流程，并协调信息共享、负载均衡及失败后的任务重分配。

• 并行开发API、界面和测试
• 衔接从设计到审查的各个阶段
• 在不同智能体间共享API规范

将claude-flow改为基于agentic-flow@alpha的扩展，减少重复实现，通过适配层分阶段迁移代理管理和任务执行，并验证兼容性。

• 整理代理与任务管理的重复实现
• 设计保留现有API的适配层
• 整合学习、共享记忆与MCP工具

创建使用经验数据的AgentDB学习插件，从选择适合用途的学习方法，到记录行动与奖励，再到模型训练和评估，完成相应实现。

• 利用历史经验训练智能体
• 实现游戏或路线选择决策
• 汇集多个智能体的经验进行学习