Skills Agentes

V3 Swarm Coordination

Coordinación jerárquica-mesh de 15 agentes para la implementación de v3. Orquesta ejecución paralela entre los dominios de seguridad, core e integración siguiendo 10 ADRs en 14 semanas.

Estrellas
69.4k

en todo el repo

Actividad
27

0–100, la ruta de este skill

Actualizado
hace 6 meses

último commit aquí

Commits
0

últimos 90 días

Contexto
3k tok

46 tok en reposo

Paquete
1 archivo

12 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add ruvnet/ruflo --skill v3-swarm-coordination --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Orquesta un swarm jerárquico-mesh de 15 agentes para implementar claude-flow v3 en 4 fases.
  • Coordina la ejecución paralela entre los dominios de seguridad, core e integración según 10 ADRs.
  • Gestiona dependencias entre agentes, comunicación por bus y balanceo de carga de trabajo.
  • Integra el seguimiento de progreso con GitHub: milestones, issues épicos y actualizaciones horarias.

Úsalo cuando

  • Vas a coordinar un swarm grande de 15 agentes para implementar claude-flow v3.
  • Necesitas orquestar fases paralelas de seguridad, core e integración con un timeline de 14 semanas.

No lo uses cuando

    Qué lo activa

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

    • Inicializa el swarm jerárquico-mesh de 15 agentes para v3
    • Ejecuta la fase 1: seguridad y arquitectura core
    • Mide la eficiencia paralela y balancea la carga entre agentes

    SKILL.md

    En inglés

    V3 Swarm Coordination

    What This Skill Does

    Orchestrates the complete 15-agent hierarchical mesh swarm for claude-flow v3 implementation, coordinating parallel execution across domains while maintaining dependencies and timeline adherence.

    Quick Start

    # Initialize 15-agent v3 swarm
    Task("Swarm initialization", "Initialize hierarchical mesh for v3 implementation", "v3-queen-coordinator")
    
    # Security domain (Phase 1 - Critical priority)
    Task("Security architecture", "Design v3 threat model and security boundaries", "v3-security-architect")
    Task("CVE remediation", "Fix CVE-1, CVE-2, CVE-3 vulnerabilities", "security-auditor")
    Task("Security testing", "Implement TDD security framework", "test-architect")
    
    # Core domain (Phase 2 - Parallel execution)
    Task("Memory unification", "Implement AgentDB 150x improvement", "v3-memory-specialist")
    Task("Integration architecture", "Deep agentic-flow@alpha integration", "v3-integration-architect")
    Task("Performance validation", "Validate 2.49x-7.47x targets", "v3-performance-engineer")
    

    15-Agent Swarm Architecture

    Hierarchical Mesh Topology

                        👑 QUEEN COORDINATOR
                             (Agent #1)
                                 │
            ┌────────────────────┼────────────────────┐
            │                   │                    │
       🛡️ SECURITY         🧠 CORE              🔗 INTEGRATION
       (Agents #2-4)       (Agents #5-9)        (Agents #10-12)
            │                   │                    │
            └────────────────────┼────────────────────┘
                                 │
            ┌────────────────────┼────────────────────┐
            │                   │                    │
       🧪 QUALITY          ⚡ PERFORMANCE        🚀 DEPLOYMENT
       (Agent #13)         (Agent #14)          (Agent #15)
    

    Agent Roster

    ID Agent Domain Phase Responsibility
    1 Queen Coordinator Orchestration All GitHub issues, dependencies, timeline
    2 Security Architect Security Foundation Threat modeling, CVE planning
    3 Security Implementer Security Foundation CVE fixes, secure patterns
    4 Security Tester Security Foundation TDD security testing
    5 Core Architect Core Systems DDD architecture, coordination
    6 Core Implementer Core Systems Core module implementation
    7 Memory Specialist Core Systems AgentDB unification
    8 Swarm Specialist Core Systems Unified coordination engine
    9 MCP Specialist Core Systems MCP server optimization
    10 Integration Architect Integration Integration agentic-flow@alpha deep integration
    11 CLI/Hooks Developer Integration Integration CLI modernization
    12 Neural/Learning Dev Integration Integration SONA integration
    13 TDD Test Engineer Quality All London School TDD
    14 Performance Engineer Performance Optimization Benchmarking validation
    15 Release Engineer Deployment Release CI/CD and v3.0.0 release

    Implementation Phases

    Phase 1: Foundation (Week 1-2)

    Active Agents: #1, #2-4, #5-6

    const phase1 = async () => {
      // Parallel security and architecture foundation
      await Promise.all([
        // Security domain (critical priority)
        Task("Security architecture", "Complete threat model and security boundaries", "v3-security-architect"),
        Task("CVE-1 fix", "Update vulnerable dependencies", "security-implementer"),
        Task("CVE-2 fix", "Replace weak password hashing", "security-implementer"),
        Task("CVE-3 fix", "Remove hardcoded credentials", "security-implementer"),
        Task("Security testing", "TDD London School security framework", "test-architect"),
    
        // Core architecture foundation
        Task("DDD architecture", "Design domain boundaries and structure", "core-architect"),
        Task("Type modernization", "Update type system for v3", "core-implementer")
      ]);
    };
    

    Phase 2: Core Systems (Week 3-6)

    Active Agents: #1, #5-9, #13

    const phase2 = async () => {
      // Parallel core system implementation
      await Promise.all([
        Task("Memory unification", "Implement AgentDB with 150x-12,500x improvement", "v3-memory-specialist"),
        Task("Swarm coordination", "Merge 4 coordination systems into unified engine", "swarm-specialist"),
        Task("MCP optimization", "Optimize MCP server performance", "mcp-specialist"),
        Task("Core implementation", "Implement DDD modular architecture", "core-implementer"),
        Task("TDD core tests", "Comprehensive test coverage for core systems", "test-architect")
      ]);
    };
    

    Phase 3: Integration (Week 7-10)

    Active Agents: #1, #10-12, #13-14

    const phase3 = async () => {
      // Parallel integration and optimization
      await Promise.all([
        Task("agentic-flow integration", "Eliminate 10,000+ duplicate lines", "v3-integration-architect"),
        Task("CLI modernization", "Enhance CLI with hooks system", "cli-hooks-developer"),
        Task("SONA integration", "Implement <0.05ms learning adaptation", "neural-learning-developer"),
        Task("Performance benchmarking", "Validate 2.49x-7.47x targets", "v3-performance-engineer"),
        Task("Integration testing", "End-to-end system validation", "test-architect")
      ]);
    };
    

    Phase 4: Release (Week 11-14)

    Active Agents: All 15

    const phase4 = async () => {
      // Full swarm final optimization
      await Promise.all([
        Task("Performance optimization", "Final optimization pass", "v3-performance-engineer"),
        Task("Release preparation", "CI/CD pipeline and v3.0.0 release", "release-engineer"),
        Task("Final testing", "Complete test coverage validation", "test-architect"),
    
        // All agents: Final polish and optimization
        ...agents.map(agent =>
          Task("Final polish", `Agent ${agent.id} final optimization`, agent.name)
        )
      ]);
    };
    

    Coordination Patterns

    Dependency Management

    class DependencyCoordination {
      private dependencies = new Map([
        // Security first (no dependencies)
        [2, []], [3, [2]], [4, [2, 3]],
    
        // Core depends on security foundation
        [5, [2]], [6, [5]], [7, [5]], [8, [5, 7]], [9, [5]],
    
        // Integration depends on core systems
        [10, [5, 7, 8]], [11, [5, 10]], [12, [7, 10]],
    
        // Quality and performance cross-cutting
        [13, [2, 5]], [14, [5, 7, 8, 10]], [15, [13, 14]]
      ]);
    
      async coordinateExecution(): Promise<void> {
        const completed = new Set<number>();
    
        while (completed.size < 15) {
          const ready = this.getReadyAgents(completed);
    
          if (ready.length === 0) {
            throw new Error('Deadlock detected in dependency chain');
          }
    
          // Execute ready agents in parallel
          await Promise.all(ready.map(agentId => this.executeAgent(agentId)));
    
          ready.forEach(id => completed.add(id));
        }
      }
    }
    

    GitHub Integration

    class GitHubCoordination {
      async initializeV3Milestone(): Promise<void> {
        await gh.createMilestone({
          title: 'Claude-Flow v3.0.0 Implementation',
          description: '15-agent swarm implementation of 10 ADRs',
          dueDate: this.calculate14WeekDeadline()
        });
      }
    
      async createEpicIssues(): Promise<void> {
        const epics = [
          { title: 'Security Overhaul (CVE-1,2,3)', agents: [2, 3, 4] },
          { title: 'Memory Unification (AgentDB)', agents: [7] },
          { title: 'agentic-flow Integration', agents: [10] },
          { title: 'Performance Optimization', agents: [14] },
          { title: 'DDD Architecture', agents: [5, 6] }
        ];
    
        for (const epic of epics) {
          await gh.createIssue({
            title: epic.title,
            labels: ['epic', 'v3', ...epic.agents.map(id => `agent-${id}`)],
            assignees: epic.agents.map(id => this.getAgentGithubUser(id))
          });
        }
      }
    
      async trackProgress(): Promise<void> {
        // Hourly progress updates from each agent
        setInterval(async () => {
          for (const agent of this.agents) {
            await this.postAgentProgress(agent);
          }
        }, 3600000); // 1 hour
      }
    }
    

    Communication Bus

    class SwarmCommunication {
      private bus = new QuicSwarmBus({
        maxAgents: 15,
        messageTimeout: 30000,
        retryAttempts: 3
      });
    
      async broadcastToSecurityDomain(message: SwarmMessage): Promise<void> {
        await this.bus.broadcast(message, {
          targetAgents: [2, 3, 4],
          priority: 'critical'
        });
      }
    
      async coordinateCoreSystems(message: SwarmMessage): Promise<void> {
        await this.bus.broadcast(message, {
          targetAgents: [5, 6, 7, 8, 9],
          priority: 'high'
        });
      }
    
      async notifyIntegrationTeam(message: SwarmMessage): Promise<void> {
        await this.bus.broadcast(message, {
          targetAgents: [10, 11, 12],
          priority: 'medium'
        });
      }
    }
    

    Performance Coordination

    Parallel Efficiency Monitoring

    class EfficiencyMonitor {
      async measureParallelEfficiency(): Promise<EfficiencyReport> {
        const agentUtilization = await this.measureAgentUtilization();
        const coordinationOverhead = await this.measureCoordinationCost();
    
        return {
          totalEfficiency: agentUtilization.average,
          target: 0.85, // >85% utilization
          achieved: agentUtilization.average > 0.85,
          bottlenecks: this.identifyBottlenecks(agentUtilization),
          recommendations: this.generateOptimizations()
        };
      }
    }
    

    Load Balancing

    class SwarmLoadBalancer {
      async balanceWorkload(): Promise<void> {
        const workloads = await this.analyzeAgentWorkloads();
    
        for (const [agentId, load] of workloads.entries()) {
          if (load > this.getCapacityThreshold(agentId)) {
            await this.redistributeWork(agentId);
          }
        }
      }
    
      async redistributeWork(overloadedAgent: number): Promise<void> {
        const availableAgents = this.getAvailableAgents();
        const tasks = await this.getAgentTasks(overloadedAgent);
    
        // Redistribute tasks to available agents
        for (const task of tasks) {
          const bestAgent = this.selectOptimalAgent(task, availableAgents);
          await this.reassignTask(task, bestAgent);
        }
      }
    }
    

    Success Metrics

    Swarm Coordination

    • Parallel Efficiency: >85% agent utilization time
    • Dependency Resolution: Zero deadlocks or blocking issues
    • Communication Latency: <100ms inter-agent messaging
    • Timeline Adherence: 14-week delivery maintained
    • GitHub Integration: <4h automated issue response

    Implementation Targets

    • ADR Coverage: All 10 ADRs implemented successfully
    • Performance: 2.49x-7.47x Flash Attention achieved
    • Search: 150x-12,500x AgentDB improvement validated
    • Code Reduction: <5,000 lines (vs 15,000+)
    • Security: 90/100 security score achieved

    Related V3 Skills

    • v3-security-overhaul - Security domain coordination
    • v3-memory-unification - Memory system coordination
    • v3-integration-deep - Integration domain coordination
    • v3-performance-optimization - Performance domain coordination

    Usage Examples

    Initialize Complete V3 Swarm

    # Queen Coordinator initializes full swarm
    Task("V3 swarm initialization",
         "Initialize 15-agent hierarchical mesh for complete v3 implementation",
         "v3-queen-coordinator")
    

    Phase-based Execution

    # Phase 1: Security-first foundation
    npm run v3:phase1:security
    
    # Phase 2: Core systems parallel
    npm run v3:phase2:core-systems
    
    # Phase 3: Integration and optimization
    npm run v3:phase3:integration
    
    # Phase 4: Release preparation
    npm run v3:phase4:release
    

    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:npm

    Detalles

    Creador
    ruvnet
    Categoría
    Automatización
    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

    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.

    Costo de contexto al activarse
    4k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    automatizacion

    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.

    Costo de contexto al activarse
    6.3k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    automatizacion

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

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