Ejecuta un tick del pod de negocio de ventas: carga la plantilla, valida el esquema, resuelve agentes, reserva presupuesto y publica un resumen. Dry-run por defecto; `--live` reservado para la Fase 3.
bashen todo el repo
0–100, la ruta de este skill
último commit aquí
últimos 90 días
143 tok en reposo
3 KB
Funciona con cualquier agente que lea SKILL.md
npx -y skills add ruvnet/ruflo --skill pod-sales --agent claude-codeSe instala solo en este repositorio.
Este skill runs shell commands.
Di cualquiera de estas frases y el agente debería cargar este skill.
Surfaces pod-tick.mjs as a single-shot skill for the sales pod. Use when
Claude Code needs to demonstrate, smoke-test, or schedule one iteration of
the sales autopilot without spawning real LLM workers.
Implementation: scripts/pod-tick.mjs.
--pod-template, --base-path, --dry-run / --live,
--budget-cap-usd, --tick-id). --live is refused with exit code 3
in Phase 2.templates/sales.json).validatePodTemplate(json) — schema in
v3/@claude-flow/cli/src/business-pods/pod-schema.ts and inlined in
pod-tick.mjs so the script runs without a built CLI. Throws with a
JSON-pointer path on the first violation.agent.agentType against KNOWN_AGENT_TYPES. Unknown
types abort with exit code 2 and an actionable error.min(budgetUsdPerRun, --budget-cap-usd) USD against the
file-based ledger at <base-path>/budget/<roomId>.json. Honors
reservationExpiryMs (default 60_000 ms, bounded to [5000, 300000]
per ADR-164.1 §3.2). TODO(adr-164.1): swap the file ledger for the
atomic SQLite tracker in Phase 3.--dry-run they are logged to stderr and the
model is never invoked.claude -p --max-budget-usd
reporting).pod-status envelope to the Phase-1 backing store at
<base-path>/.agentbbs/room-<derivedRoomId>.jsonl so subsequent
federation_bbs_watch calls see the tick.{podName, tickId, agentsRan, totalUsd, envelopeId, status}.0 — tick succeeded (status === 'success')2 — invalid template / unknown agent type / budget exhausted / arg error3 — --live requested (refused in Phase 2)--live mode: dispatch each prompt through claude -p headless or a
Managed Agent and capture the actual --max-budget-usd reported spend.pod-marketing, pod-finance, ...) — each gets its
own skill once Phase 3 ships.Reproducido de ruvnet/ruflo bajo licencia MIT. Leer esta página en markdown.
1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.
Necesita `templates/sales.json` y el registro de agentes de ruflo; el modo `--live` aún no está disponible.
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.
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.
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.
Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP.
Crea un nuevo Architecture Decision Record con numeración secuencial y registro en AgentDB.
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.
Coordinador de swarm que cambia dinámicamente de topología (jerárquica, malla, anillo, híbrida) y se reoptimiza en tiempo real según patrones de rendimiento y carga de trabajo, con aprendizaje integrado.
Especialista en Goal-Oriented Action Planning (GOAP) que crea planes dinámicos e inteligentes para objetivos complejos, combinando técnicas de IA de videojuegos, replanificación adaptativa y optimización sublineal.
Especialista en coordinación inteligente y generación dinámica de agentes: analiza tareas y crea automáticamente los agentes con las capacidades óptimas para cada trabajo.
