Autocontext — скилл
Autocontext прогоняет задачу агента через оценку и сохраняет трассы, отчеты и playbook, чтобы следующий запуск начинался с накопленных уроков
- 1 314 ★ репозитория
- Последний коммит
- Apache-2.0
Широкий доступ
Почему такой уровень
- Запускает агентов и модели через выбранного провайдера: расходует платные вызовы по ключам из переменных окружения
- Пишет на диск трассы, отчеты, playbook и артефакты каждого запуска, в трассах может оказаться содержимое задач и ответов
- Поднимает локальные серверы MCP, HTTP и WebSocket; нелокальная привязка защищена только токеном
Установка
- Работает в
Ручная установка
uv tool install autocontext==0.19.1Python-версия с полным набором возможностей, команда autoctx.
Доступ и проверки
Как мы проверяемШирокий доступИнструмент может менять данные, выполнять команды или работать с секретами.
- Запускает агентов и модели через выбранного провайдера: расходует платные вызовы по ключам из переменных окружения
- Пишет на диск трассы, отчеты, playbook и артефакты каждого запуска, в трассах может оказаться содержимое задач и ответов
- Поднимает локальные серверы MCP, HTTP и WebSocket; нелокальная привязка защищена только токеном
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Autocontext — харнесс для улучшения работы агентов. Вы задаете цель обычными словами, например `autoctx solve "улучшить ответы поддержки по спорным платежам" --iterations 3`, и он повторяет задачу в нескольких итерациях с оценкой результата. Полезные находки он оставляет, тупиковые ветки отбрасывает. Ставится из PyPI командой `uv tool install autocontext==0.19.1` или из npm командой `bun add -g autoctx@0.19.0`. Имя пакета в PyPI `autocontext`, а исполняемая команда — `autoctx`. Каждый запуск пишет результаты на диск в папку `runs/<run_id>`: `trace.jsonl`, для каждого поколения `strategy.json`, `analysis.md` и `score.json`, итоговый `report.md` и артефакты. Накопленные уроки лежат в `knowledge/<сценарий>`: `playbook.md`, `hints.md`, инструменты и пакеты контекста. Все можно смотреть, сравнивать, воспроизводить и выгружать. Для длинных многошаговых целей есть команды `mission`, для диагностики по свидетельствам `investigate`, для моделирования поведения системы `simulate`, для переноса устойчивого поведения в более дешевую локальную модель `train` в Python-версии. Агенту Autocontext доступен тремя путями. Для Pi ставится расширение `pi-autocontext`. Для клиентов MCP, включая Claude Code и Cursor, команда `autoctx serve mcp` поднимает сервер по stdio, а `autoctx capabilities --json` перечисляет его инструменты. Для Hermes команда `autoctx hermes export-skill` выгружает скилл. В репозитории также есть скиллы `autocontext-creator` для создания знаний и `autocontext-consumer` для их чтения и переноса между копиями.
Для кого. Для разработчиков и исследователей, которые строят агентов и хотят измерять их результат по запускам и накапливать проверенные приемы между итерациями.
Подходит, если
- У агента есть повторяющаяся задача, и после каждого запуска хочется видеть оценку, трассу и отчет, а не только итоговый текст
- Нужно накапливать playbook и подсказки по задаче в обычных файлах, которые можно читать, сравнивать и переносить между копиями репозитория
- Вы собираете данные для дообучения более дешевой локальной модели на устойчивом поведении агента (Python-версия, команда `train`)
- Агенту нужен типизированный доступ к запуску, оценке и разбору прогонов через MCP-сервер `autoctx serve mcp`
- Вы работаете на собственной видеокарте через vLLM, Ollama или любую конечную точку, совместимую с OpenAI
Не подходит, если
- Нужна разовая правка кода или текста без оценки и повторов: цикл итераций добавит расходы на вызовы модели
- На машине нет Node.js 22.19.0 или новее, а вам нужна npm-версия: она без него не запустится
- Вам нужно улучшать сами скиллы агента по сценариям проверки: для этого в каталоге есть upskill и skill-up
- Нужен сервер, доступный из сети без токена: HTTP и WebSocket слушают только локальный адрес, а нелокальная привязка требует токен от 32 символов
Пример запроса к агенту
Поставь autocontext, прогони задачу «улучшить ответы поддержки по спорным платежам» на три итерации и покажи отчет с оценкойОграничения
- Проект большой и быстро меняется: версии пакетов Python (0.19.1), npm (0.19.0) и расширения Pi (0.12.0) разные. Python-версия содержит полный набор возможностей, TypeScript-версия часть из них, например `train` есть только в Python.
- Работа идет через провайдера модели: Pi, Anthropic, OpenRouter, `claude-cli`, `codex`, совместимые с OpenAI и другие. Переменные ключей перечислены в `.env.example`, расходы на вызовы платит владелец ключа.
- Исполняемые навыки и роутер моделей в Python отключены по умолчанию и действуют только для пилота миграции схем в Docker. Изменения контекста применяются лишь после совпадающих испытаний.
- Отчеты об исследованиях повторного использования автор называет доказательствами инфраструктуры. Заявленных стоимостей они не гарантируют, и для запуска в рабочей среде их недостаточно.
- Лицензия Apache-2.0.
Как отключить. Удалите CLI командой `uv tool uninstall autocontext` или `bun remove -g autoctx`, а из настроек MCP-клиента уберите запись с командой `autoctx serve mcp`. Папки `runs` и `knowledge` в проекте хранят результаты, удаляются вручную.
Частые вопросы
Как заставить ИИ-агента улучшаться от запуска к запуску на одной задаче?
Запустите `autoctx solve "цель" --iterations 3`. Autocontext оценивает результат каждой итерации, сохраняет полезные уроки в `knowledge/<сценарий>/playbook.md` и подсказки в `hints.md`, а тупиковые ветки отбрасывает. Следующий запуск использует накопленное.
Что остается на диске после запуска?
Папка `runs/<run_id>` с `trace.jsonl`, поколениями (`strategy.json`, `analysis.md`, `score.json`), отчетом `report.md` и артефактами, а также папка `knowledge/<сценарий>` с playbook, подсказками, инструментами и пакетами контекста. Все хранится в файлах.
Как подключить Autocontext к Claude Code или Cursor через MCP?
Добавьте в настройки клиента сервер с командой `autoctx` и аргументами `serve mcp` или запустите `bunx autoctx serve mcp`. Сервер работает по stdio, список инструментов с входными схемами показывает `autoctx capabilities --json`.
Какой провайдер модели выбрать для быстрого старта?
Самый простой путь — Pi: он использует локальную авторизацию агента. Задайте `AUTOCONTEXT_AGENT_PROVIDER=pi` и `AUTOCONTEXT_PI_COMMAND=pi`. Для других сред подходят `anthropic`, `openai-compatible`, `openrouter`, `claude-cli`, `codex` и `pi-rpc`.
Можно ли запускать Autocontext на своих моделях?
Да, отдельный раздел документации описывает весь цикл на vLLM, Ollama или любой конечной точке, совместимой с OpenAI. Для локальных конечных точек можно объявить `AUTOCONTEXT_PROVIDER_HOSTING=local` и класс возможностей `fast`, `mid_tier` или `frontier`.
Безопасно ли открывать управляющий сервер наружу?
По умолчанию HTTP и WebSocket привязаны к локальному адресу. Привязка к нелокальному адресу не запустится, пока переменная `AUTOCONTEXT_SERVER_TOKEN` не содержит случайное значение от 32 символов. Токены в адресах отклоняются, перед открытием наружу автор рекомендует прочитать модель безопасности `persistent-host`.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыСкилл с 25 командами для разбора и доработки промптов, инструментов и схем агентов в Cursor, Claude Code, Gemini CLI и Codex
Маркетплейс плагинов для агентов: рефлексия, ревью кода и PR, git, TDD, DDD, спецификации и субагентная разработка
Многоагентная обвязка с проверкой результата по артефактам: стоп-хуки, независимый судья и журнал событий для Claude Code, Codex, Cursor и других
MCP-сервер, который держит крупный вывод инструментов вне контекстного окна агента и хранит память сессии в SQLite
Слой памяти и координации для кодовых агентов: спецификации и задачи лежат в git, а агенты работают параллельно
Открытый кодовый агент для терминала, браузера и десктопа, который работает с моделями от OpenAI и Claude до Ollama
Сравнение с похожими
Записи с тем же главным запросом: чем они отличаются.
| Запись | Официальный | Звезды репозитория | Главное отличие |
|---|---|---|---|
| Autocontext (эта запись) | нет | 1 314 | |
| upskill | да | 761 | сильная модель создает скилл по трассам работы агента, слабая использует его, оценка показывает выигрыш |
| AutoHarness | нет | 10 559 | самообучающийся слой скиллов для Claude Code: выводит скиллы из сессий, обновляет и удаляет неиспользуемые |
| Agent Apprenticeship | нет | 1 603 | CLI для обучения агентов |
Коротко о README
Корень репозитория содержит Python-пакет в папке `autocontext`, TypeScript-пакет в папке `ts`, расширение для Pi, скиллы, примеры, документацию, тесты и сравнения повторного использования знаний. Главная страница описывает установку для четырех вариантов, запуск за 30 секунд, три точки входа для агентов, структуру результатов запуска, таблицу основных команд и модель безопасности управляющих серверов. Дальше идут подробные разделы про пакеты контекста, атрибуцию вкладов компонентов, эволюцию ядер и обновления версии 0.19.0.