Разница между "Получается лучше" и "Это именно то, что я хотел". AgentSkillOS из прошлого поста немного не дотягивает до проекта, который можно брать в режиме "как есть" и применять в продакшн-задачах. Этого от него, по большому счёту, не требуется. Всё-таки исследовательский проект, который показывает следующее: Подобранные с помощью LLM заранее, наиболее подходящие Agent Skills, и оркестрация их работы в виде графа – система, позволяющая значительно увеличить качество результата. Из конкретного исследования можно забрать следующие идеи: 1. Формирование дерева скиллов и последующий поиск по ним. 2. Формирование нескольких способов организации работы AI-агентов через построение DAG-ов. 3. Визуализация симпатичная. Что имеет смысл добавить поверх, чтобы система стала более пригодной для тех сложных задач, под которые создавалась: 1. QA-Gate, который будет проверять, что DAG вернул артефакт, соответствующий всем критериям в исходном промпте. 2. Разбивка на более мелкие задачи, чтобы было проще контролировать результат. 3. Feedback-loop. Как автоматический, когда QA-Gate забраковал задачу и отправил на доработку, так и вручную дописанные от пользователя комментарии по задаче. 4. Более частые, чем "раз в никогда" обновления репозитория. 5. Полноценную интеграцию с системами для AI-Coding (без траты $10 на каждую более-менее серьёзную задачу). Итог: AgentSkillOS – отличный исследовательский проект, но сырой рабочий инструмент. Если кто-то ещё успел попробовать, делитесь результатми своих тестов в комментариях. Очень интересно почитать 😊