Repolode
Enviar
greyhaven-ai

greyhaven-ai/autocontext

Un harness recursivo de auto-mejora que evalúa tareas de agentes, conserva las lecciones útiles y deja trazas y playbooks para la siguiente ejecución.

Ver en GitHub
Estrellas
1,310
Forks
114
Issues abiertos
17
Último commit
anteayer

¿Qué es?

autocontext es un harness para mejorar agentes a lo largo de ejecuciones repetidas. Le das un objetivo, ejecuta la tarea, evalúa el resultado y conserva las lecciones que funcionaron mientras descarta los callejones sin salida. Cada ejecución deja artefactos basados en el sistema de archivos —como trazas, puntuaciones por generación, informes, playbooks y datasets— sobre los que puede trabajar la siguiente.

Incluye una CLI de Python (autoctx) y una CLI y TUI de TypeScript/Node. Puedes usarlo desde Pi, clientes MCP como Claude Code y Cursor, o Hermes. Entre los proveedores de modelos están Anthropic, endpoints compatibles con OpenAI, OpenRouter, Codex y modelos autohospedados mediante vLLM u Ollama. También permite, de forma opcional, entrenar modelos locales para destilar comportamientos estables en un runtime más económico.

El proyecto abarca familias de escenarios como juegos, tareas de agentes, simulaciones e investigaciones, y ofrece comandos como solve, run, status y show para inspeccionar los resultados. Sus planos de control HTTP y WebSocket se enlazan a loopback de forma predeterminada.

Funciones clave

  • 01Ejecuta un objetivo y evalúa los resultados a lo largo de varias iteraciones, conservando las lecciones útiles.
  • 02Guarda trazas, puntuaciones por generación, informes y playbooks como archivos de texto.
  • 03Funciona con Anthropic, endpoints compatibles con OpenAI, OpenRouter, Codex y endpoints de modelos autohospedados.
  • 04Ofrece un servidor MCP para que agentes como Claude Code y Cursor puedan llamar a sus herramientas.
  • 05Incluye una CLI de Python y otra de TypeScript, con interfaz de terminal.
  • 06Permite entrenar un modelo local a partir de comportamientos estables observados en las ejecuciones (Python).

Casos de uso

  • Mejorar iterativamente la calidad de las respuestas de soporte al cliente según una rúbrica de evaluación.
  • Ejecutar experimentos repetidos con agentes y conservar un registro auditable de cada intento.
  • Controlar un agente desde Claude Code o Cursor mediante las herramientas MCP.
  • Ejecutar el ciclo de mejora con modelos open-weight autohospedados.

Inicio rápido

  1. 1

    Instala el CLI de Python con uv

    uv tool install autocontext==0.19.1
  2. 2

    Ejecuta un objetivo con el proveedor Pi (usa la autenticación de tu agente local)

    AUTOCONTEXT_AGENT_PROVIDER=pi AUTOCONTEXT_PI_COMMAND=pi autoctx solve "improve customer-support replies for billing disputes" --iterations 3

Antes de usarlo

  • Las ejecuciones completas requieren un proveedor de agentes configurado, como Pi, Anthropic, uno compatible con OpenAI o un endpoint de modelo autoalojado.
  • Algunas funciones avanzadas (entrenamiento, evolución del kernel, ejecución remota) son específicas de Python o dependen de una configuración adicional.

En colecciones

Herramientas, skills y plugins para Claude CodeFrameworks y apps de agentes de IA open sourceServidores MCP

Temas

#agents#llm#self-improvement#evaluation#mcp#claude-code#python#typescript#ai#autoresearch

Preguntas frecuentes

¿Qué es autocontext?
Un harness recursivo de auto-mejora que evalúa tareas de agentes, conserva las lecciones útiles y deja trazas y playbooks para la siguiente ejecución. autocontext es un harness para mejorar agentes a lo largo de ejecuciones repetidas. Le das un objetivo, ejecuta la tarea, evalúa el resultado y conserva las lecciones que funcionaron mientras descarta los callejones sin salida. Cada ejecución deja artefactos basados en el sistema de archivos —como trazas, puntuaciones por generación, informes, playbooks y datasets— sobre los que puede trabajar la siguiente.
¿autocontext es gratuito? ¿Qué licencia tiene?
autocontext es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿autocontext sigue mantenido?
Mantenimiento activo. El último commit de autocontext fue el 21 oct 2026.
¿Para qué puedo usar autocontext?
Mejorar iterativamente la calidad de las respuestas de soporte al cliente según una rúbrica de evaluación. Ejecutar experimentos repetidos con agentes y conservar un registro auditable de cada intento. Controlar un agente desde Claude Code o Cursor mediante las herramientas MCP. Ejecutar el ciclo de mejora con modelos open-weight autohospedados.
¿Cómo se instala autocontext?
Instala el CLI de Python con uv: uv tool install autocontext==0.19.1 Ejecuta un objetivo con el proveedor Pi (usa la autenticación de tu agente local): AUTOCONTEXT_AGENT_PROVIDER=pi AUTOCONTEXT_PI_COMMAND=pi autoctx solve "improve customer-support replies for billing disputes" --iterations 3
¿Dónde consigo autocontext?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/greyhaven-ai/autocontext

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados