MCP HubMCP Hub
Retour aux compétences

du-dum

pjt222
Mis à jour Yesterday
3 vues
17
2
17
Voir sur GitHub
Métaaiapidesigndata

À propos

La compétence du-dum met en œuvre une architecture à deux horloges pour séparer l'observation continue et peu coûteuse de la prise de décision occasionnelle et coûteuse dans les agents autonomes. Elle utilise une horloge rapide pour collecter des données dans un digest et une horloge lente qui ne déclenche des actions coûteuses (comme des appels LLM) que lorsqu'un travail en attente est détecté. Ce modèle est idéal pour optimiser les coûts et les performances dans les boucles d'agents où la plupart des cycles d'observation ne nécessitent aucune action.

Installation rapide

Claude Code

Recommandé
Principal
npx skills add pjt222/agent-almanac -a claude-code
Commande PluginAlternatif
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternatif
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/du-dum

Copiez et collez cette commande dans Claude Code pour installer cette compétence

Documentation

Du-Dum: Batch-Then-Act Pattern

Split observe/act → 2 clocks diff freq. Fast (analysis) = cheap → writes digest. Slow (action) = reads digest → acts if pending. Digest empty → exit immediate. Zero cost idle.

Name = heartbeat: du-dum. First beat (du) observes. Second (dum) acts. Mostly only first fires.

Use When

  • Autonomous agent budget → observe often, act rare
  • Heartbeat calls LLM every tick → waste
  • Observe cheap (API read, file parse, log scan), act expensive (LLM, write, notify)
  • Decoupled fail → observe fails → last digest still valid
  • Cron agent → analysis + action = separate jobs

In

  • Required: Data sources fast clock observes (APIs, files, logs, feeds)
  • Required: Action slow clock takes when pending
  • Optional: Fast interval (default: 4h)
  • Optional: Slow interval (default: 1/day)
  • Optional: Daily cost ceiling
  • Optional: Digest format (md, JSON, YAML)

Do

Step 1: Identify 2 Clocks

Split work → observe (cheap, freq) vs act (exp, rare).

  1. List every op
  2. Classify → observe (reads → summary) or act (LLM/write/msg)
  3. Verify split: observe ≈0 marginal, act = expensive
  4. Assign freq: fast catches events, slow meets response-time
ClockCostFreqExample
Fast (analysis)Cheap: API read, parse, no LLM4-6x/dayGitHub notifs, RSS, logs
Slow (action)Exp: LLM, write1x/dayCompose reply, dashboard, alert

→ Clean split. Every op on 1 clock. Fast = no LLM. Slow = no gather.

If err: op needs both → split. Fast collects raw → digest. Slow summarizes. Digest = boundary.

Step 2: Design Digest Format

Digest = low-bandwidth msg between clocks. Compact, human-readable, parseable.

  1. Define path + format (md recommended)
  2. Header: timestamp + source meta
  3. "Pending" section → items needing action
  4. "Status" section → current state
  5. Clear empty indicator (pending: none)

Example:

# Digest — 2026-03-22T06:30:00Z

## Pending

- PR #42 needs review response (opened 2h ago, author requested feedback)
- Issue #99 has new comment from maintainer (action: reply)

## Status

- Last analyzed: 2026-03-22T06:30:00Z
- Sources checked: github-notifications, rss-feed, error-log
- Items scanned: 14
- Items pending: 2

Empty:

# Digest — 2026-03-22T06:30:00Z

## Pending

(none)

## Status

- Last analyzed: 2026-03-22T06:30:00Z
- Sources checked: github-notifications, rss-feed, error-log
- Items scanned: 8
- Items pending: 0

→ Template w/ clear pending/empty. Slow clock decides by single check.

If err: digest >50 lines → too much raw. Move details to data file, digest = summary + pointers.

Step 3: Fast Clock (Analysis)

Observation scripts on fast schedule.

  1. 1 script per source (indep failures)
  2. Each reads, extracts, appends/rewrites digest
  3. File lock / atomic write → no partial digest
  4. Log run (ts, items, errs) → separate log
  5. Never LLM / write beyond digest
# Pseudocode: analyze-notifications.sh
fetch_notifications()
filter_actionable(notifications)
format_as_digest_entries(filtered)
atomic_write(digest_path, entries)
log("analyzed {count} notifications, {pending} actionable")

Cron:

# Fast clock: analyze every 4 hours
30 */4 * * *  /path/to/analyze-notifications.sh >> /var/log/analysis.log 2>&1
0  6   * * *  /path/to/analyze-pr-status.sh     >> /var/log/analysis.log 2>&1

→ Analysis scripts update digest. Indep → 1 fails, others continue.

If err: source down → log + keep prev entries. Never clear on source fail → stale > missing.

Step 4: Slow Clock (Action)

Reads digest, decides act.

  1. Read digest (Step 0)
  2. Pending empty/"none" → exit immediate w/ log
  3. Items pending → exp op (LLM, compose)
  4. After act → clear/archive processed entries
  5. Log run (items, cost, duration)
# Pseudocode: heartbeat.sh (the slow clock)
digest = read_file(digest_path)

if digest.pending is empty:
    log("heartbeat: nothing pending, exiting")
    exit(0)

# Only reaches here if work exists
response = call_llm(digest.pending, system_prompt)
execute_actions(response)
archive_digest(digest_path)
log("heartbeat: processed {count} items, cost: {tokens} tokens")

Cron:

# Slow clock: act once per day at 7am
0 7 * * *  /path/to/heartbeat.sh >> /var/log/heartbeat.log 2>&1

→ Script exits <1s idle. Active → processes + clears.

If err: LLM fails → no clear. Items retry next cycle. Consider retry counter → no infinite retry.

Step 5: Idle Detection

Savings = idle detect. Distinguish "nothing"/"something" min overhead.

  1. Idle check = single fast op (file read + str check)
  2. Verify idle path: 0 ext calls (no API/LLM/net)
  3. Measure duration <1s
  4. Log idle differently from active
# Minimal idle check
if grep -q "^(none)$" "$DIGEST_PATH" || grep -q "pending: 0" "$DIGEST_PATH"; then
    echo "$(date -u +%FT%TZ) heartbeat: idle" >> "$LOG_PATH"
    exit 0
fi

→ Idle = 1 file read + str match. No net, no spawn.

If err: unreliable check (false pos = missed work, false neg = waste LLM) → simplify digest. Single bool field (has_pending: true/false) most reliable.

Step 6: Validate Cost Model

Calculate → confirm savings.

  1. Fast runs/day: fast_runs = 24 / fast_interval_hours
  2. Slow runs/day: typ 1
  3. Observe cost: fast_runs * cost_per_analysis_run (~$0 no LLM)
  4. Act cost: active_days_fraction * cost_per_action_run
  5. Idle cost: (1 - active_days_fraction) * cost_per_idle_check (~$0)
  6. Compare w/ original
ArchitectureDaily (active)Daily (idle)Monthly (80% idle)
Single loop (LLM every 30min)$13.74/37h$13.74/37h~$400
Du-dum (6 analyses + 1 action)$0.30$0.00~$6

→ Model shows ≥10x cheaper on idle days.

If err: no savings → (a) fast too freq, (b) fast has hidden LLM, (c) rarely idle. Du-dum wants high idle ratio. Always active → simpler polling.

Check

  • Fast/slow split clean → no LLM in fast path
  • Digest has clear empty indicator
  • Idle detect <1s, 0 ext calls
  • Fast fail → no digest corrupt (stale preserved)
  • Slow fail → no clear pending (retry next)
  • Cost model ≥10x savings idle days
  • Both clocks log runs
  • Digest bounded (archive/clear after process)

Traps

  • Digest unbounded: Append no clear → growing log. Always clear/archive after act.
  • Fast too fast: Analysis every 5min, events daily → wastes API/IO. Match freq to event rate.
  • Slow too slow: Once/day but need same-hour → too slow. Increase freq or urgent shortcut.
  • LLM in fast: Breaks cost model. Audit fast scripts → 0 LLM. Defer summary to slow.
  • Coupled fast scripts: 1 depends on another → cascade fail. Keep indep → own source, own section.
  • Silent idle log: No log → can't distinguish "running idle" vs "crashed". Always log idle.
  • Clear digest on analysis fail: Source down → no empty write. Slow would skip actual pending. Preserve last good.

  • manage-token-budget — cost framework du-dum makes practical; du-dum = pattern, budget = accounting
  • circuit-breaker-pattern — failure case (tools breaking); du-dum = normal case (nothing to do). Together: du-dum idle, circuit-breaker fail
  • observe — methodology for fast clock; du-dum structures when observes become actionable via digest
  • forage-resources — strategic explore layer; du-dum = execution rhythm
  • coordinate-reasoning — stigmergic signaling; digest = stigmergy (indirect coord via env artifact)

Dépôt GitHub

pjt222/agent-almanac
Chemin: i18n/caveman-ultra/skills/du-dum
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Compétences associées

content-collections

Méta

Cette compétence propose une configuration éprouvée en production pour Content Collections, un outil axé sur TypeScript qui transforme des fichiers Markdown/MDX en collections de données typées de manière sûre avec une validation Zod. Utilisez-la lors de la création de blogs, de sites de documentation ou d'applications Vite + React riches en contenu pour garantir la sécurité de typage et la validation automatique du contenu. Elle couvre tout, de la configuration du plugin Vite et de la compilation MDX à l'optimisation des déploiements et la validation des schémas.

Voir la compétence

polymarket

Méta

Cette compétence permet aux développeurs de créer des applications avec la plateforme de marchés prédictifs Polymarket, incluant l'intégration d'API pour le trading et les données de marché. Elle fournit également une diffusion de données en temps réel via WebSocket pour surveiller les transactions en direct et l'activité du marché. Utilisez-la pour mettre en œuvre des stratégies de trading ou pour créer des outils traitant les mises à jour de marché en direct.

Voir la compétence

creating-opencode-plugins

Méta

Cette compétence aide les développeurs à créer des plugins OpenCode qui s'interconnectent avec plus de 25 types d'événements tels que les commandes, les fichiers et les opérations LSP. Elle fournit la structure du plugin, les spécifications de l'API événementielle et les modèles d'implémentation pour les modules JavaScript/TypeScript. Utilisez-la lorsque vous avez besoin d'intercepter, de surveiller ou d'étendre le cycle de vie de l'assistant IA OpenCode avec une logique personnalisée pilotée par les événements.

Voir la compétence

sglang

Méta

SGLang est un framework de service LLM haute performance spécialisé dans la génération rapide et structurée pour les workflows JSON, regex et agentiques grâce à son cache de préfixe RadixAttention. Il offre une inférence nettement plus rapide, particulièrement pour les tâches avec des préfixes répétés, ce qui le rend idéal pour les sorties complexes et structurées ainsi que les conversations multi-tours. Choisissez SGLang plutôt que des alternatives comme vLLM lorsque vous avez besoin d'un décodage contraint ou que vous construisez des applications avec un partage étendu de préfixes.

Voir la compétence