AgentMind: Un Complemento de Código Claude que Aprende y Aplica Tus Preferencias de Programación

Qué hace AgentMind

AgentMind es un complemento de Claude Code que aborda el problema de tener que volver a explicar las preferencias de codificación en cada nueva sesión. Aprende automáticamente patrones como "usar pnpm en lugar de npm", "siempre añadir tipos" y "no usar exportaciones por defecto" observando cómo trabajas e inyectando ese contexto en interacciones futuras.

Cómo funciona

El sistema opera en un ciclo central de seis pasos: Observar → Analizar → Recordar → Aplicar → Validar → Evolucionar.

Los ganchos de observación se ejecutan en puntos clave del ciclo de vida:

• Inicio de sesión
• Uso de herramientas
• Errores
• Compresión

Estos ganchos observan correcciones (como "no, usa X en su lugar"), patrones repetidos y tipos de errores sin almacenar tu código real.

Implementación técnica

El complemento utiliza un sistema de puntuación de confianza tridimensional para determinar cuándo aplicar las preferencias aprendidas:

• Frecuencia × 0.35
• Efectividad × 0.40
• Retroalimentación humana × 0.25

Las preferencias de alta confianza se inyectan automáticamente en las sesiones, mientras que las de baja confianza permanecen silenciosas. El sistema incluye mecanismos de desvanecimiento donde las preferencias se desvanecen si no se refuerzan con el tiempo.

Sistema de evolución

AgentMind cuenta con una estructura de evolución de cuatro niveles:

• L0: Instintos individuales
• L1: Patrones (agrupados a partir de instintos individuales)
• L2: Estrategias (abstraídas a partir de patrones)

Por ejemplo, preferencias separadas como "siempre usar vitest", "siempre añadir archivos de prueba en tests" y "ejecutar pruebas después de cambios" podrían evolucionar en un patrón de "flujo de trabajo TDD".

Detalles técnicos

• ~3000 líneas de núcleo TypeScript
• ~800 líneas de ganchos de shell
• 115 pruebas aprobadas
• Soporta multiagente con almacenes de preferencias aislados
• No necesita configuración — instálalo y comienza a aprender
• La capa de observación usa bash puro + jq para mantenerse ligera
• Licencia MIT y gratuito

Perspectivas de desarrollo

El creador señaló que el mayor desafío no fue el algoritmo de aprendizaje, sino saber cuándo permanecer en silencio. Las versiones iniciales inyectaban cada preferencia aprendida, lo que contaminaba la ventana de contexto. La puntuación de confianza con desvanecimiento resolvió este problema.

Otro desafío técnico fue hacer que los ganchos de shell y TypeScript funcionaran juntos sin añadir dependencias pesadas. La solución fue una capa de observación ligera usando bash y jq.