name: learning-loop description: "Цикл обучения: SEARCH → FETCH → EXECUTE → VERIFY → CREATE. Триггеры: 'нет скилла', 'найди информацию и сделай', 'learning loop', 'научись делать', 'создай скилл из опыта', 'fetch and learn'. НЕ для существующих скиллов — используй skill-router."

Learning Loop — самообучающийся цикл Claude Code

Обзор

Когда задача требует знаний, которых нет в существующих скиллах — запускается Learning Loop. Ищем скилл → не нашли → собираем знания из интернета → выполняем задачу → создаём новый скилл для будущего использования. Каждая новая задача делает систему умнее.

Быстрый справочник

Алгоритм

ВХОД: Задача программирования (или любая задача)
  │
  ▼
ФАЗА 1: SEARCH — поиск существующего скилла
  │ Grep по .claude/skills/*/SKILL.md
  │ Проверить skill-router-config.json keywords
  │
  ├─ НАЙДЕН → Использовать скилл напрямую → КОНЕЦ
  │
  └─ НЕ НАЙДЕН → продолжить
      │
      ▼
ФАЗА 2: FETCH — сбор знаний (ротация источников по домену)
  │ Определить домен: tech-python | tech-other | 1c
  │ Ротация источников в порядке trust score
  │ Минимум 3 разных источника
  │
  │ Результат: knowledge_block (KB) + маркерные паттерны
  │
  ▼
ФАЗА 3: EXECUTE — выполнение с атрибуцией
  │ Промпт = KB + SKILL.md + Задача + требование атрибуции
  │ Task(subagent_type="general-purpose", prompt=...)
  │ Субагент указывает Source: для каждого решения
  │
  │ Результат: код с атрибуциями
  │
  ▼
ФАЗА 4: VERIFY — трёхуровневая верификация
  │ Уровень 1: grep маркерных паттернов (оркестратор)
  │ Уровень 2: ревьюер-субагент (ОБЯЗАТЕЛЬНЫЙ)
  │ Уровень 3: решение оркестратора (PASS/PARTIAL/FAIL)
  │
  ├─ PASS/PARTIAL → продолжить
  └─ FAIL → Ralph Wiggum Loop (итеративный retry, макс 3)
      │
      ▼
ФАЗА 5: CREATE — создание скилла из опыта
  │ Применить doc-to-skill шаблон
  │ Извлечь: команды, паттерны, антипаттерны, диагностику
  │ Создать .claude/skills/<name>/SKILL.md
  │ Зарегистрировать в skill-router-config.json
  │
  │ Результат: новый скилл для будущего использования
  │
  ▼
ВЫХОД: Задача выполнена + скилл создан + верифицирован

Фаза 1: SEARCH — поиск скилла

Шаг 1.1: Поиск по ключевым словам

# Поиск в SKILL.md файлах
grep -ri "keyword1\|keyword2" .claude/skills/*/SKILL.md

# Поиск в роутере
grep -i "keyword" .claude/skills/skill-router-config.json

Шаг 1.2: Семантический поиск (если keyword miss)

Если точного совпадения нет — проверь смежные домены:

Шаг 1.3: Решение

Фаза 2: FETCH — сбор знаний (ротация источников)

Ключевой принцип: Источники ротируются в порядке убывания доверия (trust score). Модуль оценки: .claude/hooks/shared/trust_scorer.py (TrustScorer).

Определение домена

Ротация источников по доменам

Домен: tech-python (Python-библиотеки)

Домен: tech-other (другие языки и технологии)

Домен: 1С Предприятие

MCP Context7 — первоисточник для tech-доменов

Context7 предоставляет structured documentation для 1000+ библиотек.

Алгоритм использования:

1. Вызвать resolve-library-id с именем библиотеки/технологии
   → Если resolves → получить context7_id
   → Если НЕ resolves → пропустить, перейти к приоритету 2

2. Вызвать get-library-docs с context7_id и topic
   → Получить актуальную документацию
   → Trust = 1.0 (всегда доверяем)

Примеры библиотек в Context7:
  Python: FastAPI, LangChain, Pydantic, SQLAlchemy, tenacity, httpx
  JS/TS: React, Next.js, Express, Prisma, Drizzle
  Go: Gin, Echo, GORM
  Rust: Actix, Tokio, Serde

StackOverflow — edge cases и антипаттерны

WebSearch: "site:stackoverflow.com {library} {problem} [{language}]"
WebSearch: "site:stackoverflow.com {library} common mistakes pitfalls"

Критерии качества ответа (trust_scorer.py):
  - is_accepted: True (вес 40%)
  - score >= 3 upvotes (вес 30%)
  - recency_days <= 365 (вес 30%)

GitHub Repos — production patterns

WebSearch: "site:github.com {library} production stars:>100"
WebSearch: "{library} {language} real-world example github"

Критерии качества repo (trust_scorer.py):
  - stars >= 100 (вес 30%)
  - last_commit_days <= 90 (вес 25%)
  - has_docs: yes (вес 25%)
  - license: MIT/Apache/BSD/ISC (вес 20%)

Trust Score рубрика

Критерии достаточности

Знания считаются достаточными когда собраны ИЗ МИНИМУМ 3 РАЗНЫХ ИСТОЧНИКОВ:

• Context7 docs ИЛИ official docs (если Context7 недоступен)
• Минимум 1 StackOverflow ответ (accepted или score >= 3)
• Минимум 1 GitHub repo (stars >= 50, last commit < 90 days)
• Core API (3+ основных функций/классов)
• Минимум 2 рабочих примера (из разных источников)
• Минимум 3 антипаттерна / частых ошибки (преимущественно из SO)
• Интеграция с целевым стеком проекта

Фаза 3: EXECUTE — выполнение через субагента

Паттерн: Skill-Delegated Subagent (ADR-007)

Оркестратор (Claude главный):
  1. Читает смежные SKILL.md (фреймворк-контекст)
  2. Формирует knowledge_block из FETCH результатов
  3. Извлекает маркерные паттерны из knowledge_block (для верификации)
  4. Делегирует субагенту с требованием атрибуции:

Task(
  subagent_type="general-purpose",
  prompt="""
    # Контекст проекта
    {содержимое смежного SKILL.md}

    # Знания о библиотеке
    {knowledge_block из FETCH}

    # Задача
    {конкретная задача программирования}

    # Требования
    - Python 3.11+, async-first
    - Pydantic v2 для моделей
    - Тесты с pytest

    # Атрибуция (ОБЯЗАТЕЛЬНО)
    Для каждой функции/класса укажи в docstring:
      Source: [название секции из knowledge_block]
    Если используешь паттерн НЕ из knowledge_block — укажи:
      Source: [own] и объясни почему
  """
)

Фаза 4: VERIFY — верификация через code-verify

Запусти code-verify в режиме knowledge-compliance:

Результат: PASS → CREATE / PARTIAL → исправить → CREATE / FAIL → Ralph Wiggum Loop (макс 3).

Полная документация: .claude/skills/code-verify/SKILL.md

Фаза 5: CREATE — создание скилла

Алгоритм создания (doc-to-skill)

1. Объединить знания:
   - FETCH результаты (документация, примеры)
   - EXECUTE опыт (что сработало, что нет)
   - Антипаттерны (ошибки при реализации)

2. Применить шаблон SKILL.md:
   - Обзор (2-4 предложения)
   - Быстрый справочник (таблица)
   - Установка (pip install)
   - Основные команды/API
   - Паттерны использования (копируемые шаблоны)
   - Диагностика (проблема → причина → решение)
   - Антипаттерны

3. Регистрация:
   - Создать .claude/skills/<name>/SKILL.md
   - Добавить bundle в skill-router-config.json
   - Проверить уникальность триггеров

Чеклист нового скилла

• SKILL.md создан (≤ 500 строк)
• Description ≤ 300 символов с триггерами
• Минимум 5 триггерных фраз
• Минимум 1 НЕ-redirect на смежный скилл
• Bundle в skill-router-config.json
• Триггеры уникальны (grep проверка)
• Минимум 3 копируемых шаблона
• Минимум 3 антипаттерна

Интеграция с триадой

Learning Loop использует существующие компоненты:

Пример: полный цикл (5 фаз)

Задача: "Добавь retry с exponential backoff для API вызовов"

SEARCH:
  grep -ri "retry\|tenacity\|backoff" .claude/skills/*/SKILL.md
  → НЕ НАЙДЕНО

FETCH (домен: tech-python):
  1. Context7: resolve-library-id("tenacity") → structured docs
  2. WebSearch("site:stackoverflow.com tenacity common mistakes")
     → accepted answer: "всегда используй reraise=True"
  3. WebSearch("site:github.com tenacity production stars:>100")
     → github.com/jd/tenacity (13K stars, MIT)
  4. WebFetch(tenacity.readthedocs.io)
  → KB: API + маркеры: wait_exponential_jitter, reraise=True, stop_after_attempt|stop_after_delay

EXECUTE (с атрибуцией):
  Task(general-purpose):
    Промпт: framework-config SKILL + tenacity KB + задача
    Требование: "Source: [секция] для каждой функции"
  → retry.py с 4 декораторами + Source: атрибуции

VERIFY (code-verify, режим knowledge-compliance):
  reference=KB, code=retry.py, markers=[wait_exponential_jitter, reraise=True]
  → PASS: все 4 функции соответствуют knowledge_block → переходим к CREATE

CREATE:
  .claude/skills/tenacity-retry/SKILL.md
  skill-router-config.json → "tenacity-retry" bundle
  → Скилл готов к использованию + верифицирован

Антипаттерны