Repolode
Enviar
greyhaven-ai

greyhaven-ai/autocontext

Um harness recursivo de autoaperfeiçoamento que executa tarefas de agentes com avaliação, retém lições úteis e deixa rastros e playbooks para a próxima execução.

Ver no GitHub
Estrelas
1,310
Forks
114
Issues abertas
17
Último commit
anteontem

O que é?

autocontext é um harness para aprimorar agentes em execuções repetidas. Você define um objetivo, a ferramenta executa a tarefa, avalia o resultado, retém as lições que funcionaram e descarta os caminhos sem saída. Cada execução deixa artefatos baseados em arquivos, como rastros, pontuações por geração, relatórios, playbooks e datasets que podem servir de base para a próxima execução.

O projeto oferece uma CLI em Python (autoctx) e uma CLI e TUI em TypeScript/Node. Também pode ser usado pelo Pi, por clientes MCP como Claude Code e Cursor ou pelo Hermes. Entre os provedores de modelos estão Anthropic, endpoints compatíveis com OpenAI, OpenRouter, Codex e modelos hospedados por você via vLLM ou Ollama. Opcionalmente, é possível treinar modelos locais para destilar comportamentos estáveis em um runtime mais econômico.

O projeto abrange famílias de cenários como jogos, tarefas de agentes, simulações e investigações, e oferece comandos como solve, run, status e show para inspecionar resultados. Por padrão, seus planos de controle HTTP e WebSocket ficam vinculados ao loopback.

Recursos principais

  • 01Executa um objetivo com avaliação ao longo de várias iterações e retém as lições que ajudam.
  • 02Salva rastros, pontuações por geração, relatórios e playbooks em arquivos simples.
  • 03Funciona com Anthropic, endpoints compatíveis com OpenAI, OpenRouter, Codex e endpoints de modelos hospedados por você.
  • 04Oferece um servidor MCP para que agentes como Claude Code e Cursor possam chamar suas ferramentas.
  • 05Oferece uma CLI em Python e uma CLI em TypeScript com interface de terminal.
  • 06Pode treinar um modelo local com base em comportamentos estáveis das execuções (Python).

Casos de uso

  • Aprimorar iterativamente a qualidade das respostas de atendimento ao cliente com base em uma rubrica de pontuação.
  • Executar experimentos repetidos com agentes e manter um registro auditável de cada tentativa.
  • Acionar um agente pelo Claude Code ou Cursor usando a interface de ferramentas MCP.
  • Executar o ciclo de aprimoramento com modelos open-weight hospedados por você.

Início rápido

  1. 1

    Instale o CLI do Python com uv

    uv tool install autocontext==0.19.1
  2. 2

    Execute uma meta com o provedor Pi (usa a autenticação do seu agente local)

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

Antes de usar

  • Execuções completas exigem um provedor de agentes configurado, como Pi, Anthropic, um compatível com OpenAI ou um endpoint de modelo auto-hospedado.
  • Alguns recursos avançados (treinamento, evolução do kernel, execução remota) são específicos do Python ou dependem de configuração adicional.

Em coleções

Ferramentas, skills e plugins para Claude CodeFrameworks e apps de agentes de IA open sourceServidores MCP

Tópicos

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

Perguntas frequentes

O que é autocontext?
Um harness recursivo de autoaperfeiçoamento que executa tarefas de agentes com avaliação, retém lições úteis e deixa rastros e playbooks para a próxima execução. autocontext é um harness para aprimorar agentes em execuções repetidas. Você define um objetivo, a ferramenta executa a tarefa, avalia o resultado, retém as lições que funcionaram e descarta os caminhos sem saída. Cada execução deixa artefatos baseados em arquivos, como rastros, pontuações por geração, relatórios, playbooks e datasets que podem servir de base para a próxima execução.
autocontext é gratuito? Qual é a licença?
autocontext é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
autocontext ainda é mantido?
Manutenção ativa. O último commit de autocontext foi em 21 de out. de 2026.
Para que posso usar autocontext?
Aprimorar iterativamente a qualidade das respostas de atendimento ao cliente com base em uma rubrica de pontuação. Executar experimentos repetidos com agentes e manter um registro auditável de cada tentativa. Acionar um agente pelo Claude Code ou Cursor usando a interface de ferramentas MCP. Executar o ciclo de aprimoramento com modelos open-weight hospedados por você.
Como instalar autocontext?
Instale o CLI do Python com uv: uv tool install autocontext==0.19.1 Execute uma meta com o provedor Pi (usa a autenticação do seu agente local): AUTOCONTEXT_AGENT_PROVIDER=pi AUTOCONTEXT_PI_COMMAND=pi autoctx solve "improve customer-support replies for billing disputes" --iterations 3
Onde consigo autocontext?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/greyhaven-ai/autocontext

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados