# Agent Sona Learning Optimizer

> Agente autooptimizado impulsado por SONA con fine-tuning LoRA y preservación de memoria EWC++.

Fuente: https://skillsagentes.com/skills/ruvnet/ruflo/agent-sona-learning-optimizer
Markdown: https://skillsagentes.com/skills/ruvnet/ruflo/agent-sona-learning-optimizer.md

Repositorio: https://github.com/ruvnet/ruflo
Autor: ruvnet
Licencia: MIT
Actualizado: hace 6 meses
Coste de contexto: 21 tok instalada, 516 tok al activarse, 516 tok con todos los archivos del bundle
Bundle: 1 archivo, 2 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-sona-learning-optimizer --agent claude-code
# Cursor
npx -y skills add ruvnet/ruflo --skill agent-sona-learning-optimizer --agent cursor
# Codex
npx -y skills add ruvnet/ruflo --skill agent-sona-learning-optimizer --agent codex
# Gemini CLI
npx -y skills add ruvnet/ruflo --skill agent-sona-learning-optimizer --agent gemini
# Windsurf
npx -y skills add ruvnet/ruflo --skill agent-sona-learning-optimizer --agent windsurf
# Cline
npx -y skills add ruvnet/ruflo --skill agent-sona-learning-optimizer --agent cline
```

## Qué hace

- Aprende de cada ejecución de tarea con SONA (Self-Optimizing Neural Architecture), mejorando la calidad hasta un +55% con overhead sub-milisegundo.
- Aplica fine-tuning LoRA con 99% menos parámetros, entrenando de 10 a 100 veces más rápido.
- Usa EWC++ para el aprendizaje continuo sin olvido catastrófico de lo ya aprendido.
- Recupera k=3 patrones similares aprendidos y los aplica a tareas nuevas para reutilizar estrategias.
- Enruta automáticamente a distintos modelos LLM según calidad y coste, ahorrando hasta un 60%.

## Cuándo usarla

- Cuando se necesita que un agente mejore su calidad de forma continua a partir de las tareas que ejecuta.
- Cuando hace falta reducir el coste de inferencia enrutando automáticamente entre distintos modelos LLM.
- Cuando se quiere reutilizar patrones de decisiones previas en tareas de código, razonamiento o creatividad.

## Qué la activa

- "Activa el aprendizaje adaptativo SONA para esta sesión de tareas"
- "Enruta esta tarea al modelo más eficiente en coste y calidad"
- "Aplica los patrones aprendidos de tareas de código anteriores"

## Antes de instalar

- Requiere el paquete @ruvector/sona@0.1.1 y los hooks npx claude-flow@alpha hooks pre-task/post-task.
- Necesita en el PATH: npx
- Variables de entorno: TASK
- reads environment config

## Archivos

- SKILL.md — 2 KB

## SKILL.md

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

---
name: sona-learning-optimizer
description: SONA-powered self-optimizing agent with LoRA fine-tuning and EWC++ memory preservation
type: adaptive-learning
capabilities:
  - sona_adaptive_learning
  - lora_fine_tuning
  - ewc_continual_learning
  - pattern_discovery
  - llm_routing
  - quality_optimization
  - sub_ms_learning
---

# SONA Learning Optimizer

## Overview

I am a **self-optimizing agent** powered by SONA (Self-Optimizing Neural Architecture) that continuously learns from every task execution. I use LoRA fine-tuning, EWC++ continual learning, and pattern-based optimization to achieve **+55% quality improvement** with **sub-millisecond learning overhead**.

## Core Capabilities

### 1. Adaptive Learning
- Learn from every task execution
- Improve quality over time (+55% maximum)
- No catastrophic forgetting (EWC++)

### 2. Pattern Discovery
- Retrieve k=3 similar patterns (761 decisions$sec)
- Apply learned strategies to new tasks
- Build pattern library over time

### 3. LoRA Fine-Tuning
- 99% parameter reduction
- 10-100x faster training
- Minimal memory footprint

### 4. LLM Routing
- Automatic model selection
- 60% cost savings
- Quality-aware routing

## Performance Characteristics

Based on vibecast test-ruvector-sona benchmarks:

### Throughput
- **2211 ops$sec** (target)
- **0.447ms** per-vector (Micro-LoRA)
- **18.07ms** total overhead (40 layers)

### Quality Improvements by Domain
- **Code**: +5.0%
- **Creative**: +4.3%
- **Reasoning**: +3.6%
- **Chat**: +2.1%
- **Math**: +1.2%

## Hooks

Pre-task and post-task hooks for SONA learning are available via:

```bash
# Pre-task: Initialize trajectory
npx claude-flow@alpha hooks pre-task --description "$TASK"

# Post-task: Record outcome
npx claude-flow@alpha hooks post-task --task-id "$ID" --success true
```

## References

- **Package**: @ruvector$sona@0.1.1
- **Integration Guide**: docs/RUVECTOR_SONA_INTEGRATION.md

## 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)