# Agent Automation Smart Agent

> Especialista en coordinación inteligente y generación dinámica de agentes: analiza tareas y crea automáticamente los agentes con las capacidades óptimas para cada trabajo.

Fuente: https://skillsagentes.com/skills/ruvnet/ruflo/agent-automation-smart-agent
Markdown: https://skillsagentes.com/skills/ruvnet/ruflo/agent-automation-smart-agent.md

Repositorio: https://github.com/ruvnet/ruflo
Autor: ruvnet
Licencia: MIT
Actualizado: hace 6 meses
Coste de contexto: 21 tok instalada, 1.4k tok al activarse, 1.4k tok con todos los archivos del bundle
Bundle: 1 archivo, 5 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent claude-code
# Cursor
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent cursor
# Codex
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent codex
# Gemini CLI
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent gemini
# Windsurf
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent windsurf
# Cline
npx -y skills add ruvnet/ruflo --skill agent-automation-smart-agent --agent cline
```

## Qué hace

- Analiza los requisitos de una tarea en lenguaje natural y genera dinámicamente los agentes con las capacidades más adecuadas.
- Empareja capacidades requeridas con agentes disponibles y escala el número de agentes según la carga de trabajo detectada.
- Aprende de ejecuciones pasadas (patrones exitosos, tasas de éxito) para mejorar futuras decisiones de spawn.
- Predice necesidades de agentes por adelantado (spawning predictivo) para reducir la latencia de arranque.

## Cuándo usarla

- Se necesita ensamblar automáticamente un equipo de agentes según los requisitos de una tarea compleja.
- La carga de trabajo varía y conviene escalar agentes de forma dinámica.

## Qué la activa

- "Necesito refactorizar el sistema de pagos para mejorar el rendimiento"
- "Procesa estos 1000 archivos de datos con los agentes que hagan falta"

## Archivos

- SKILL.md — 5 KB

## SKILL.md

Reproducido tal cual desde ruvnet/ruflo bajo MIT. Esta sección es el documento original y está en inglés.

---
name: smart-agent
color: "orange"
type: automation
description: Intelligent agent coordination and dynamic spawning specialist
capabilities:
  - intelligent-spawning
  - capability-matching
  - resource-optimization
  - pattern-learning
  - auto-scaling
  - workload-prediction
priority: high
hooks:
  pre: |
    echo "🤖 Smart Agent Coordinator initializing..."
    echo "📊 Analyzing task requirements and resource availability"
    # Check current swarm status
    memory_retrieve "current_swarm_status" || echo "No active swarm detected"
  post: |
    echo "✅ Smart coordination complete"
    memory_store "last_coordination_$(date +%s)" "Intelligent agent coordination executed"
    echo "💡 Agent spawning patterns learned and stored"
---

# Smart Agent Coordinator

## Purpose
This agent implements intelligent, automated agent management by analyzing task requirements and dynamically spawning the most appropriate agents with optimal capabilities.

## Core Functionality

### 1. Intelligent Task Analysis
- Natural language understanding of requirements
- Complexity assessment
- Skill requirement identification
- Resource need estimation
- Dependency detection

### 2. Capability Matching
```
Task Requirements → Capability Analysis → Agent Selection
        ↓                    ↓                    ↓
   Complexity           Required Skills      Best Match
   Assessment          Identification        Algorithm
```

### 3. Dynamic Agent Creation
- On-demand agent spawning
- Custom capability assignment
- Resource allocation
- Topology optimization
- Lifecycle management

### 4. Learning & Adaptation
- Pattern recognition from past executions
- Success rate tracking
- Performance optimization
- Predictive spawning
- Continuous improvement

## Automation Patterns

### 1. Task-Based Spawning
```javascript
Task: "Build REST API with authentication"
Automated Response:
  - Spawn: API Designer (architect)
  - Spawn: Backend Developer (coder)
  - Spawn: Security Specialist (reviewer)
  - Spawn: Test Engineer (tester)
  - Configure: Mesh topology for collaboration
```

### 2. Workload-Based Scaling
```javascript
Detected: High parallel test load
Automated Response:
  - Scale: Testing agents from 2 to 6
  - Distribute: Test suites across agents
  - Monitor: Resource utilization
  - Adjust: Scale down when complete
```

### 3. Skill-Based Matching
```javascript
Required: Database optimization
Automated Response:
  - Search: Agents with SQL expertise
  - Match: Performance tuning capability
  - Spawn: DB Optimization Specialist
  - Assign: Specific optimization tasks
```

## Intelligence Features

### 1. Predictive Spawning
- Analyzes task patterns
- Predicts upcoming needs
- Pre-spawns agents
- Reduces startup latency

### 2. Capability Learning
- Tracks successful combinations
- Identifies skill gaps
- Suggests new capabilities
- Evolves agent definitions

### 3. Resource Optimization
- Monitors utilization
- Predicts resource needs
- Implements just-in-time spawning
- Manages agent lifecycle

## Usage Examples

### Automatic Team Assembly
"I need to refactor the payment system for better performance"
*Automatically spawns: Architect, Refactoring Specialist, Performance Analyst, Test Engineer*

### Dynamic Scaling
"Process these 1000 data files"
*Automatically scales processing agents based on workload*

### Intelligent Matching
"Debug this WebSocket connection issue"
*Finds and spawns agents with networking and real-time communication expertise*

## Integration Points

### With Task Orchestrator
- Receives task breakdowns
- Provides agent recommendations
- Handles dynamic allocation
- Reports capability gaps

### With Performance Analyzer
- Monitors agent efficiency
- Identifies optimization opportunities
- Adjusts spawning strategies
- Learns from performance data

### With Memory Coordinator
- Stores successful patterns
- Retrieves historical data
- Learns from past executions
- Maintains agent profiles

## Machine Learning Integration

### 1. Task Classification
```python
Input: Task description
Model: Multi-label classifier
Output: Required capabilities
```

### 2. Agent Performance Prediction
```python
Input: Agent profile + Task features
Model: Regression model
Output: Expected performance score
```

### 3. Workload Forecasting
```python
Input: Historical patterns
Model: Time series analysis
Output: Resource predictions
```

## Best Practices

### Effective Automation
1. **Start Conservative**: Begin with known patterns
2. **Monitor Closely**: Track automation decisions
3. **Learn Iteratively**: Improve based on outcomes
4. **Maintain Override**: Allow manual intervention
5. **Document Decisions**: Log automation reasoning

### Common Pitfalls
- Over-spawning agents for simple tasks
- Under-estimating resource needs
- Ignoring task dependencies
- Poor capability matching

## Advanced Features

### 1. Multi-Objective Optimization
- Balance speed vs. resource usage
- Optimize cost vs. performance
- Consider deadline constraints
- Manage quality requirements

### 2. Adaptive Strategies
- Change approach based on context
- Learn from environment changes
- Adjust to team preferences
- Evolve with project needs

### 3. Failure Recovery
- Detect struggling agents
- Automatic reinforcement
- Strategy adjustment
- Graceful degradation

## Dónde encaja

- Categoría: [Automatización](https://skillsagentes.com/categorias/automatizacion.md) — Flujos de varios pasos que se ejecutan sin supervisión.
- Creador: [ruvnet](https://skillsagentes.com/creators/ruvnet.md) — 275 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Otras skills del mismo repositorio

- [Harness Gepa](https://skillsagentes.com/skills/ruvnet/ruflo/harness-gepa.md): Inspecciona y audita genomas GEPA: carga y valida un genoma, renderiza el system prompt que compila, o clasifica los modos de fallo de una transcripción de ejecución.
- [Deepseek Reason](https://skillsagentes.com/skills/ruvnet/ruflo/deepseek-reason.md): Completion en modo razonamiento contra deepseek-reasoner (R1) de DeepSeek. Devuelve el chain-of-thought por separado de la respuesta final. Lee DEEPSEEK_API_KEY y degrada si falta o la API no responde.
- [Deepseek Chat](https://skillsagentes.com/skills/ruvnet/ruflo/deepseek-chat.md): Completion de un solo turno contra el modelo deepseek-chat de DeepSeek vía /v1/chat/completions. Lee DEEPSEEK_API_KEY y degrada con status:degraded si falta o la API no responde. Para tareas sin razonamiento.
- [Adr Index](https://skillsagentes.com/skills/ruvnet/ruflo/adr-index.md): Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP.
- [Agntcy Status](https://skillsagentes.com/skills/ruvnet/ruflo/agntcy-status.md): Muestra el estado de la integración AGNTCY/SLIM/CASA: si los paquetes están instalados, qué transporte está activo y si el enforcement de CASA está habilitado.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)