SkillOpt Sleep: melhorias em staging antes da adoção

ANÁLISE EDITORIAL

Uma Skill que promete aprender com sessões passadas pode soar como treinamento automático do modelo. SkillOpt Sleep faz algo mais limitado e verificável: coleta registros locais autorizados, identifica tarefas recorrentes, repete uma amostra com um backend escolhido, propõe mudanças textuais e mantém o resultado em staging até que uma pessoa decida adotar. Os pesos do modelo não são alterados.

A separação entre proposta e adoção é a parte mais importante da curadoria. A ferramenta pode lidar com conversas, caminhos de projeto e resultados de agentes. Um backend real também pode enviar trechos derivados dessas sessões ao provedor configurado. Por isso, a primeira experiência recomendada usa um projeto de teste, um alvo explícito e dry-run --backend mock. O ZIP local do Bastidores é documental e não inclui o mecanismo de execução.

Imagem: Ilustração editorial exclusiva do Bastidores da IA sobre fragmentos de sessões atravessando etapas de análise até uma proposta que permanece diante de um portão de revisão humana. Não é captura de tela, interface real, logotipo oficial, relatório executado nem prova de melhoria.

O que esta Skill faz de verdade

O SKILL.md fixado no commit auditado descreve um ciclo em sete partes. Harvest lê transcrições locais conforme a fonte configurada. Mine transforma os registros em tarefas recorrentes. Replay repete essas tarefas. Consolidate propõe edições delimitadas. Gate compara a proposta com uma amostra de validação. Stage grava os candidatos fora dos arquivos vivos. Adopt aplica somente o que foi selecionado.

Esse fluxo não treina pesos. A unidade que pode mudar é um documento de Skill e, se a configuração permitir, um arquivo de memória do projeto. A integração atual declara que não grava AGENTS.md. Para um resultado visível ao Codex, é necessário indicar uma Skill com --target-skill-path. Sem esse alvo, o padrão compartilhado pode apontar para uma Skill gerenciada em outro cliente.

Também não existe garantia geral de melhoria. O gate mede o conjunto de tarefas e verificações daquele ciclo. Uma pontuação melhor nesse conjunto é evidência local, não prova de que a nova instrução funcionará para todos os projetos, modelos ou pedidos futuros.

Para quem serve

Serve para pessoas que usam um agente de programação repetidamente e já conseguem apontar tarefas recorrentes, critérios verificáveis e um documento de Skill que vale a pena aprimorar. Exemplos incluem uma Skill de revisão de código, um roteiro de publicação, um diagnóstico de suporte ou uma rotina de documentação com resultados observáveis.

É mais útil quando a equipe já preserva testes, relatórios ou referências que permitam distinguir uma resposta convincente de uma resposta correta. Sem critérios, o mecanismo pode apenas transformar preferências ocasionais em novas regras. A consolidação continua dependendo da qualidade das sessões e das avaliações fornecidas.

Não é uma boa escolha para “melhorar tudo” sem escopo, para absorver conversas sensíveis sem revisão ou para substituir manutenção humana de instruções críticas. Também não transforma histórico em memória perfeita. A coleta pode ignorar formatos não suportados, truncar conteúdo e remover partes reconhecidas como instrução de sistema ou payload de ferramenta.

Compatibilidade e pré-requisitos

O projeto exige Python 3.10 ou mais recente. A configuração do pacote no commit auditado registra a versão 0.2.0 e expõe o comando skillopt-sleep. Os runners do repositório procuram um Python compatível e também tentam localizar uma instalação existente do mecanismo.

Para Codex, a fonte --source codex procura sessões arquivadas em ~/.codex/archived_sessions, salvo quando outro diretório é informado com --codex-home. Se as sessões ainda não foram arquivadas, pertencem a outro projeto ou estão em um diretório diferente, a coleta pode retornar pouco ou nenhum material.

Os backends são independentes da fonte. mock é determinístico e não usa orçamento de API. codex, claude, copilot, handoff e azure_openai têm requisitos próprios. Um backend real pode exigir CLI instalado, autenticação e política de uso aprovada. Consulte a documentação oficial do modo Sleep para conferir limites que podem mudar enquanto o recurso permanece em prévia.

Instalação recomendada

O caminho mais reproduzível para esta auditoria é clonar a fonte oficial, fixar o commit e revisar a pasta antes de executar qualquer runner:

git clone https://github.com/microsoft/SkillOpt.git
cd SkillOpt
git checkout faf4700ae2a4e9d6a76982c7c00b46ca9280e673

No Windows, o runner está em pluginsrun-sleep.ps1. Em macOS e Linux, o equivalente é plugins/run-sleep.sh. O runner PowerShell tenta localizar o checkout, escolhe Python 3.10 ou superior e usa uma instalação do CLI apenas como alternativa.

A documentação também apresenta pip install skillopt como caminho rápido. Porém, ela alerta que recursos posteriores ao release 0.2.0, incluindo partes da adoção seletiva e integrações recentes, exigem instalação a partir de main até uma nova versão. Fixar o commit evita misturar a Skill auditada com código que mudou depois da consulta.

O download local do Bastidores não é instalador. Ele preserva apenas SKILL.md, LICENSE e ORIGEM.md. Runners, pacote Python e dependências permanecem no repositório oficial fixado.

Configuração antes do primeiro uso

Escolha um projeto descartável ou uma cópia controlada. Depois, defina uma única Skill como alvo e confira se o caminho pertence ao projeto. O mecanismo pode evoluir uma Skill e um arquivo CLAUDE.md por padrão. Se esse segundo alvo não faz parte do seu fluxo, configure "evolve_memory": false antes de rodar um ciclo com estado.

Revise a fonte das transcrições. Sessões podem conter nomes de clientes, caminhos, trechos de código, mensagens internas e dados pessoais. A documentação informa que padrões conhecidos de segredo são removidos como defesa adicional, mas não oferece garantia de anonimização completa. O guia do Bastidores sobre permissões de agentes ajuda a separar leitura local, rede, escrita e promoção.

Defina também limites pequenos. Use poucas sessões e poucas tarefas, mantenha o gate ativado e evite --auto-adopt. Se a fronteira de dados importa, prefira colher tarefas para um arquivo, revisar e anonimizar esse arquivo e somente então marcá-lo como revisado para uma execução com backend real.

Primeiro uso seguro

No PowerShell, a sequência inicial pode começar por status e continuar com um dry-run mock. Substitua os caminhos pelos seus alvos reais, sem usar uma Skill global ou um projeto de produção:

$repo = "C:caminhoSkillOpt"
$project = "C:caminhoprojeto-teste"
$target = "C:caminhoprojeto-teste.agentsskillsexemploSKILL.md"

powershell -File "$repopluginsrun-sleep.ps1" status --project "$project"
powershell -File "$repopluginsrun-sleep.ps1" dry-run --project "$project" --source codex --target-skill-path "$target" --backend mock --json

O backend mock não chama um provedor de modelo e não adota uma alteração. Ainda assim, a coleta lê material local conforme a configuração e o mecanismo pode gravar evidências no diretório de estado. Leia a saída JSON, confirme quantas sessões e tarefas foram encontradas e procure erros de caminho antes de testar qualquer backend real.

Não use run como sinônimo de instalação. run executa o ciclo completo e, por padrão, deixa a proposta em staging. Se uma pasta de staging for apresentada, leia report.md, o manifesto e a proposta. Compare o documento original e o candidato antes de considerar adopt.

Resultado esperado

Um dry-run útil informa a amostra usada, as tarefas produzidas, a pontuação de base, a pontuação candidata, a decisão do gate e as edições propostas. Quando não existe evidência suficiente, o resultado correto pode ser nenhuma alteração. Falta de proposta não é falha automática.

Um ciclo com estado pode criar uma pasta sob .skillopt-sleep/staging com relatório em Markdown e JSON, diagnósticos, evidências e arquivos propostos. A documentação de staging seletivo explica como hashes do candidato e do arquivo vivo são fixados para bloquear adoção quando a base muda.

O resultado esperado não é um agente autônomo que reescreve tudo durante a noite. É um conjunto limitado de propostas, acompanhado de evidência, que permanece separado dos arquivos vivos. A pessoa revisora decide se o ganho observado justifica a mudança e pode rejeitar o lote inteiro.

Permissões e riscos

A coleta precisa ler sessões locais. Um backend real recebe material derivado para mineração, repetição, julgamento e reflexão. A documentação afirma que trechos são truncados e que padrões conhecidos de segredo podem ser removidos, mas alerta que prompts enviados não são garantidamente livres de segredos. Revise o provedor, retenção, residência de dados e escopo antes de sair do mock.

Os arquivos evidence.jsonl podem conter cópias truncadas de prompts e respostas. Trate esse registro como dado sensível, defina retenção e desative o log somente depois de entender o efeito na auditabilidade. Não coloque transcrições, segredos ou dados privados em commits, relatórios compartilhados ou tickets.

A adoção é uma escrita em arquivos vivos. O commit auditado inclui validações de manifesto, hashes, caminhos, locks, backups e recuperação, mas isso não elimina conflito com editores externos ou configuração incorreta. Mantenha o projeto versionado, revise o diff e execute testes depois da adoção. Não use --auto-adopt sem uma decisão explícita sobre o risco.

O agendamento também merece cuidado. Segundo a Skill, o comando schedule persiste projeto, backend e horário, mas não preserva automaticamente --source ou --target-skill-path. Esses valores precisam estar no arquivo de configuração para uma rotina voltada ao Codex. Um agendamento incompleto pode colher a fonte errada ou apontar para outro alvo.

Erros comuns

• Confundir evolução textual com treinamento: os pesos do modelo não mudam.
• Omitir o alvo do Codex: use --target-skill-path e confira o caminho absoluto.
• Começar por backend real: primeiro valide descoberta, escopo e saída com mock.
• Rodar sobre sessões sensíveis: revise ou produza um arquivo de tarefas anonimizado.
• Tratar o gate como certificação: a pontuação vale para as tarefas e verificações daquele ciclo.
• Adotar sem ler o relatório: compare base, proposta, destino, hashes e tarefas de validação.
• Usar auto-adopt por conveniência: staging existe para separar análise de promoção.
• Esperar que AGENTS.md seja atualizado: a integração atual declara que não grava esse arquivo.
• Agendar só com flags temporárias: fonte e alvo precisam ser configurados conforme a documentação.
• Tratar o ZIP local como runtime: o pacote do Bastidores é apenas documental.

Versão auditada e download local

A curadoria fixou o commit faf4700ae2a4e9d6a76982c7c00b46ca9280e673, que contém o SKILL.md consultado e mudanças de adoção seletiva com revisão. Em 23/08/2026 às 18h04, o repositório microsoft/SkillOpt tinha 16.280 estrelas, licença MIT e não estava arquivado. Estrelas indicam adoção observável, não auditoria de segurança.

A licença MIT permite redistribuição sob suas condições. O ZIP local tem 5.906 bytes, contém somente SKILL.md, LICENSE e ORIGEM.md, e possui SHA-256 058fe6739c6c77e9a26dad482bfad84f0f09e613423827e742871fbcb86523d1. Nenhum runner, executável, dependência ou histórico de sessão foi incluído.

Resultado esperado e limite final

SkillOpt Sleep é mais interessante como processo de revisão do que como promessa de autoaperfeiçoamento. Seu valor está em transformar sessões dispersas em tarefas avaliáveis, limitar a edição textual, confrontar o candidato com uma amostra separada e manter a proposta fora dos arquivos vivos.

Considere o primeiro teste concluído quando a fonte, o projeto e a Skill alvo foram identificados corretamente, o backend mock não usou rede, a quantidade de sessões e tarefas está visível e nenhuma adoção ocorreu. Considere um ciclo real concluído somente quando o relatório foi revisado, o provedor estava autorizado, a proposta permaneceu em staging, o diff foi aceito e os testes do projeto continuaram passando depois de uma adoção explícita.

O download local preserva a instrução e a licença para auditoria. O botão do repositório oficial leva ao mecanismo necessário para execução. Mantenha as duas ações separadas: baixar três arquivos textuais não instala o ciclo, e obter uma pontuação melhor em um conjunto local não autoriza promover a proposta.

Fontes primárias

• Repositório oficial microsoft/SkillOpt
• Pasta da Skill para Codex no commit auditado
• SKILL.md oficial fixado
• Documentação oficial do SkillOpt Sleep
• Staging e adoção seletiva documentados
• Runner PowerShell oficial
• Versão, Python e dependências no commit auditado
• Licença MIT preservada no pacote