leer #self-learning-skill-layer hallazgo 06 · boletín 2026-09-05

tigerless-labs/autoharness

Plugin de Claude Code (Python, sin third-party deps) que destila skills desde tus sesiones reales, las agrupa en lugar de apilarlas (cuando detecta escenarios iguales hace fold en vez de crear duplicados), las actualiza mientras se usan y las poda cuando dejan de tener adherencia. Cita un uplift medido en CORE-Bench (HAL): 42% → 78% con mismo modelo y distinto harness.

Estrellas

1.682

Forks

Lenguaje

Python

Licencia

MIT

Issues

—

Estado

—

Cómo funciona

Implementa self-learning-skill-layer

Núcleo

tigerless-labs/autoharness Python · MIT agent-skillsclaude-codeclaude-code-pluginllm-agentspython

Se cruza con complementa spec driven development extends claude code skills format

Diagrama derivado de madurez_senales (lenguaje, licencia, estado y topics) y de las relaciones que este repo tiene en el grafo de conocimiento. No es una arquitectura del proyecto: es su posición funcional tal como la registran los boletines.

Posición en el ecosistema

tigerless-labs/autoharness

complementa

spec driven development Concepto · y github/spec-kit

tigerless-labs/autoharness

implementa

self-learning-skill-layer Concepto

tigerless-labs/autoharness

extends

claude code skills format Concepto

Expandir en el grafo 3D →

Relaciones que aportó este boletín

implementsself-learning-skill-layernuevo extendsclaude-code-skills-formatnuevorelevant_tobig-model-vs-big-harnessnuevo

Por qué importa

Aterriza la observación de swyx "Big Model vs Big Harness" sobre un slice muy concreto, la capa de skills, con un patrón self-maintaining: la librería de skills se destila de tus sesiones reales, se agrupa en lugar de apilarse (cuando detecta escenarios iguales hace fold en lugar de crear duplicados), se actualiza mientras se usa y se poda cuando pierde adherencia. La cifra del README (uplift medido en CORE-Bench HAL: 42% → 78% con mismo modelo y distinto harness) convierte "el harness importa" en algo medible, no en opinión. Para CSS el ángulo concreto es "tu agente aprende solo, pero solo de sí mismo": toca únicamente lo que él escribió y deja intacto lo que tú o el vendor escribiste, lo que lo hace buen complemento a qufei1993/skills-hub desde el lado de generación, no de curación. No tenemos todavía un boletín previo que ancle concept:self-learning-skill-layer, concept:claude-code-skills-format ni concept:big-model-vs-big-harness, así que este ít los presenta como conceptos nuevos del grafo y deja la puerta abierta a cubrirlos por separado cuando salgan piezas más canónicas.

Alerta

Autoharness reporta uplift 42%→78% en CORE-Bench HAL con mismo modelo y distinto harness: número sugerente pero single-source, hay que esperar réplica antes de tratarlo como regla general.

Beads, Engram, LoopX, Atlas y Autoharness suman ~42k estrellas combinadas y ninguno tiene 1.0: la categoría está caliente pero todavía en movimiento.

Acción concreta

Autoharness convierte "el harness importa" en cifra medible (42%→78% en CORE-Bench HAL); si la uplift se replica, cambia cómo se evalúan los coding agents en CSS.

Apariciones · 4

2026-10-07 hallazgo principal
2026-10-02 hallazgo principal
2026-09-09 radar
2026-09-05 hallazgo principal

Señales de madurez (texto original)

1.682★ · 99 forks · Python · MIT · creado 2025-10-21 · último push 2026-09-04 · default_branch main · topics: agent-skills, claude-code, claude-code-plugin, llm-agents, python. README 19 KB con tabla de seis propiedades (learns from real work, groups doesn't pile up, keeps own library in view, validated in use, only its own skills, evidence kept for later) y sección de benchmark HAL.