Skills Agentes

Gaia Architecture Comparison

Comparación lado a lado de ruflo frente a HAL y otros harnesses de GAIA: huecos de capacidad, decisiones de diseño y hoja de ruta de mejoras.

Solicitabash read mcp__plugin_ruflo-core_ruflo__memory_search mcp__plugin_ruflo-core_ruflo__memory_store
Estrellas
69.4k

en todo el repo

Actividad
54

0–100, la ruta de este skill

Actualizado
el mes pasado

último commit aquí

Commits
1

últimos 90 días

Contexto
1.3k tok

32 tok en reposo

Paquete
1 archivo

5 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add ruvnet/ruflo --skill gaia-architecture-comparison --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Compara la arquitectura del harness de benchmark GAIA de ruflo con la referencia HAL de Princeton y otros harnesses open-source
  • Detalla diferencias clave (número de preguntas, búsqueda web, ejecución de código, OCR, memoria) en una tabla
  • Prioriza mejoras en una hoja de ruta con impacto y esfuerzo estimados

Úsalo cuando

  • Planificas la siguiente iteración del trabajo en GAIA
  • Evalúas qué cambio arquitectónico tiene mayor ROI en la tasa de aciertos
  • Incorporas a un nuevo colaborador al código del benchmark

No lo uses cuando

    Qué lo activa

    Di cualquiera de estas frases y el agente debería cargar este skill.

    • Compara la arquitectura de nuestro harness GAIA con la de HAL
    • ¿Qué cambio nos daría más ROI en el pass rate de GAIA?

    SKILL.md

    En inglés

    GAIA Architecture Comparison Skill

    Compare ruflo's GAIA benchmark harness against the Princeton HAL reference implementation and other open-source harnesses to understand capability gaps and prioritize improvements.

    When to use

    • Planning the next iteration of GAIA work
    • Evaluating which architectural change has the highest pass-rate ROI
    • Onboarding a new contributor to the benchmark codebase

    Architecture overview

    ruflo harness (current)

    gaia-bench run
      └─ gaia-loader.ts      — HF dataset download + cache
      └─ gaia-agent.ts       — multi-turn Anthropic Messages loop
           └─ gaia-tools/    — web_search, file_read, web_browse,
                               image_describe, python_exec
      └─ gaia-voting.ts      — Track A self-consistency (N attempts → majority vote)
      └─ gaia-hardness/      — Track Q difficulty predictor (ADR-136)
      └─ gaia-judge.ts       — two-stage LLM-as-judge scorer
    

    HAL reference (Princeton)

    HAL uses a similar loop but with:

    • OpenAI function calling as the tool interface
    • BrowserBase / Playwright for real browser automation
    • Code interpreter sandbox (Jupyter kernel)
    • Larger token budget per turn (4096+)
    • Full 300-question evaluation set

    Key differences

    Dimension ruflo HAL reference Gap
    Question count 53 (partial L1) 300 (full L1) Use --limit 165 for full L1
    Web search DuckDuckGo / Google CSE BrowserBase live Add Playwright or Browserless
    Code execution python_exec stub Real Jupyter kernel Implement real sandbox
    Image OCR image_describe (Gemini) GPT-4V / Gemini Functionally equivalent
    File handling file_read Full PDF/XLSX/ZIP parser Expand file_read
    Self-consistency voting.ts (Track A) Not in reference ruflo advantage
    Hardness routing predictor.ts (Track Q) Not in reference ruflo advantage
    Memory AgentDB HNSW None ruflo advantage
    Pass-rate L1 ~20.8% (iter 23) 74.6% (HAL Sonnet 4.5) ~54 pp gap

    Gap analysis

    Primary gaps (high impact)

    1. Real code execution — many L2/L3 questions require running Python to compute a numerical answer. The current python_exec tool is a stub. Implementing a real sandbox (E2B, Pyodide, or subprocess) is the single highest-ROI change.

    2. Full question set — running 53/300 L1 questions underestimates true pass-rate because the first 53 skew easier. Run --limit 165 (full L1) for a comparable HAL score.

    3. Real browserweb_browse currently fetches raw HTML. Replacing it with Playwright/Browserless for JavaScript-rendered pages would unlock many web navigation questions.

    Secondary gaps (medium impact)

    1. Structured file parsing — PDF, XLSX, and ZIP attachments require dedicated parsers. file_read currently handles plain text and images only.

    2. Turn budget — 12 turns may be insufficient for complex multi-step questions. HAL uses up to 20 turns for L3.

    3. System prompt tuning — HAL's system prompt is more elaborate and explicitly instructs the model to use tools before answering.

    ruflo advantages

    1. Self-consistency voting (Track A) — running N attempts per question and taking the majority answer reduces variance on borderline questions. HAL does not implement this.

    2. Hardness routing (Track Q) — routing each question to an appropriate model and turn budget based on predicted difficulty. This reduces cost on easy questions while providing more resources for hard ones.

    3. AgentDB memory — storing patterns across runs enables the agent to recall successful strategies for similar question types.

    Improvement roadmap

    Priority Change Expected Lift Effort
    P0 Real python_exec sandbox (E2B) +15-25 pp High
    P0 Full 165-Q L1 evaluation Accurate baseline Low
    P1 Playwright-based web_browse +5-10 pp Medium
    P1 PDF/XLSX file parser +3-8 pp Medium
    P2 Increase max-turns to 20 for L2/L3 +2-5 pp Low
    P2 System prompt tuning (iter 30 research) +2-5 pp Low
    P3 Google Grounding via Gemini (iter 32) +3-7 pp Medium
    P3 Multi-provider routing (Gemini Flash for cheap Q's) Cost reduction Medium

    Loading context from past research

    npx @claude-flow/cli@latest memory search \
      --namespace gaia-patterns \
      --query "architecture comparison HAL benchmark"
    

    Storing comparison findings

    npx @claude-flow/cli@latest memory store \
      --namespace gaia-patterns \
      --key "architecture-comparison-$(date +%Y%m%d)" \
      --value "HAL gap: 54pp. Primary: python_exec stub. Secondary: browser, file parsing."
    

    Reproducido de ruvnet/ruflo bajo licencia MIT. Leer esta página en markdown.

    Archivos

    1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

    Antes de instalar

    Necesita en el PATH:npx

    Detalles

    Creador
    ruvnet
    Categoría
    Investigación
    Licencia
    MIT
    Recursos incluidos
    Solo SKILL.md
    Repositorio
    ruvnet/ruflo
    Código fuente
    Ver SKILL.md

    Etiquetas

    Más de ruvnet/ruflo

    Este repo incluye 275 skills. Si instalas uno, normalmente ya tienes los demás.

    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.

    Costo de contexto al activarse
    833 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    herramientas desarrollo

    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.

    Costo de contexto al activarse
    566 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    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.

    Costo de contexto al activarse
    627 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP.

    Costo de contexto al activarse
    866 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    Crea un nuevo Architecture Decision Record con numeración secuencial y registro en AgentDB.

    Costo de contexto al activarse
    680 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    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.

    Costo de contexto al activarse
    443 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 26 días
    devops infraestructura

    Skills relacionados

    Especialista en investigación profunda y recopilación de información.

    Costo de contexto al activarse
    1.4k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    investigacion

    Especialista en reconocimiento de información que explora territorios desconocidos, recopila inteligencia y reporta hallazgos a la mente colectiva mediante actualizaciones continuas de memoria.

    Costo de contexto al activarse
    1.6k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    investigacion

    Orquesta investigación profunda en varias fases: búsqueda web, recuperación de memoria, coincidencia de patrones y síntesis en hallazgos estructurados.

    Costo de contexto al activarse
    712 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    el mes pasado
    investigacion