agentic-awesome-skills 技能解析：用 accint-frames 排空 acc 的 deliber 队列（brain

agentic-awesome-skills 技能解析：用 accint-frames 排空 acc 的 deliber 队列（brain_frame 检查点续跑实战）

【免费下载链接】agentic-awesome-skillsAAS Core is the local, agent-first control plane for complete catalog discovery, agent-owned selection, stack validation, and planning, backed by 2,115+ agentic skills. Includes CLI, local MCP, catalog, plugins, and Workbench.项目地址: https://gitcode.com/gh_mirrors/an/agentic-awesome-skills

导读

accint-frames是 agentic-awesome-skills 仓库中收录的一个高风险（risk: critical）社区技能，它的唯一使命是：接管 headless（无人值守）运行留下的“未竟之思”——即 acc 系统中由无头任务中途检查点（checkpoint）保存下来的 open/waiting 状态的brain_frame，并通过acc_act(runtime="continue")逐个续跑、补齐思考、提交提案，最终清空整个 deliberation（思考）队列。读完本文，你将掌握 accint-frames 的完整操作链路：如何用 CLI 只读观察队列、如何读懂一个“带类型”的 brain_frame、如何正确调用acc_act(runtime="continue")提交带PREDICT校准行的提案，以及它与同族技能 accint-solve、accint-commitments 在 acc 工作流中的分工边界。

1. 技能定位：它到底是什么

accint-frames是 acc（accreted-intelligence）体系中的 “frames” 插件在 agentic-awesome-skills 中的镜像实现。本仓库目录数据将其描述为：

“Drain acc's deliberation queue — open/waiting brain_frames checkpointed by headless runs — via acc_act(runtime="continue").”

其元数据（SKILL.md）标注了关键事实：

source_type:community，来源仓库为maxbaluev/accreted-intelligence，Apache-2.0 许可；
risk:critical—— 该技能会调用真实的运行时动作（acc_act），不属于只读辅助类技能；
设计哲学：技能正文明确写着 “Routing sugar over the two MCP verbs — no logic lives here”（本质是对两个 MCP 动词的路由封装，本身不含业务逻辑）。这意味着 accint-frames 不实现推理，只负责把 Agent 正确地引导到acc_act(runtime="continue")这条提交路径上。

在同一目录数据中，accint 家族还有两个姊妹技能，后续章节会涉及，这里先给出三者分工：

技能	动词	职责
accint-solve	`acc_act(runtime="solve")`	把目标送入 acc 的评分记忆循环
accint-frames（本文）	`acc_act(runtime="continue")`	排空 open/waiting 的 brain_frame 队列
accint-commitments	`acc_act(runtime="outcome")`	关闭已兑现的承诺（commitment）

2. 前置概念：brain_frame 与 headless 检查点

理解 accint-frames 必须先理解两个概念：

headless runs：由 acc 后台无头执行的任务。它们在运行过程中可能暂时“卡住”在一个需要进一步深思（deliberate）的位置，无法自行继续，于是把当前思考状态保存为一个检查点，留待人回来处理；
brain_frame：这个检查点的数据结构，它是一个“typed hole”（带类型/带结构的缺口），完整记录了：缺的是什么（which hole）、当时检索到了什么上下文（what was retrieved）、预测结论是什么（what is predicted）。

因此，acc frames列出的 open/waiting brain_frame 并不是失败任务，而是无头运行专门留给你的工作（原文：checkpointed frames are work headless runs saved for you）。accint-frames 的存在意义就是让这些积压思考能被可靠、可追溯地消费掉。

3. 核心操作流程：排空队列的五个步骤

技能正文给出了排空队列的标准操作序列，这是本文的主体，逐条展开：

3.1 只读观察队列

acc frames

CLI 只读命令，用于列出当前所有 open/waiting 状态的 brain_frame。技能明确强调这是read-only observation（只读观察），在任何写入动作之前，先用它获得队列全貌，避免盲目操作。

3.2 逐个读取并深思

对每个 open/waiting 的 frame：

读取它的 typed hole（缺口类型）与 retrieved context（检索到的上下文）；
在读取所得信息的约束下进行深思（deliberate）；
通过acc_act(runtime="continue")提交结论。

调用形如：

acc_act(runtime="continue", input={"frame_id": ..., "submit_token": ..., "proposal_text": ...})

三个入参的含义：

frame_id：当前 brain_frame 的标识，指明“续跑的是哪一个检查点”；
submit_token：提交令牌，acc 用它校验该 frame 确实处于可提交状态；
proposal_text：你深思后写下的提案正文，是这次续跑的核心产物。

3.3 用 PREDICT 行做自我校准（关键细节）

proposal_text必须以如下格式的行结尾：

PREDICT: <0.00-1.00> <why>

例如：

PREDICT: 0.82 the retrieved log lines strongly indicate a connection-pool timeout before retry

技能正文解释了这个设计的两个作用：

对用户透明：acc 在提案被真正所有者看到之前会剥掉（strips）这行PREDICT，不会污染交付给用户的文本；
用于校准：acc 会把这行预测与后续实际结果做对照，用来校准 Work Model（工作模型）。也就是说，PREDICT是 acc 记忆与自我评估闭环的输入信号，数值越诚实，模型校准越准。

3.4 幂等重放：重复提交是安全的

技能特别指出：完全相同的重复提交会重放缓存结果（An identical duplicate submit replays the cached result），因此重提交是安全操作。这在分布式 Agent 场景下是重要的容错语义——网络重试、重复调用不会产生副作用。

3.5 收尾纪律：先排空再开工

每条 resolution 完成后，记录其commitmentid 与引用的[ids]（这是 acc 的溯源体系：你解决了一个 frame，就会产生一条可追踪的承诺记录）；
在接新工作前，必须把队列完全排空（drain the queue fully）——因为积压的 frame 都是无头运行专门保存下来等你处理的，优先级高于新任务。

4. 触发方式与使用示例

技能的元数据（见 catalog.json）登记了触发词：accint、frames、drain、acc、deliberation、queue、open、waiting、brain、checkpointed、headless、runs。当任务描述命中这些词（例如出现 “排空 acc 的 deliber 队列”“处理 headless 留下的 brain_frame”），技能路由即可命中 accint-frames。

技能文档给出的标准调用模板（用户请求示例）：

Use @accint-frames for this task: Drain acc's deliberation queue — open/waiting brain_frames checkpointed by headless runs — via acc_act(runtime="continue").

Agent 收到该请求后，即进入第 3 节所述的acc frames→ 逐条深思 →continue提交 → 记录 commitment → 排空队列的完整流程。

5. 与同族技能的协作：一条完整的 acc 生命周期

仅看 accint-frames 无法构成完整闭环，把它放进 accint 家族才能看清全貌（三个技能文件与目录数据均位于本仓库）：

开环：用户提出目标 → accint-solve 调用acc_act(runtime="solve")。若结果未定，返回一个 brain_frame，进入深思轮次；
深思续跑：这正是 accint-frames 的用武之地。solve 技能返回的 brain_frame 同样通过acc_act(runtime="continue")提交，且同样要求PREDICT结尾、同样承诺“绝不留下未解决的 frame”（Never leave a received frame unresolved）；
闭环收账：任务有最终结果后，accint-commitments 通过acc_act(runtime="outcome", input={"ref": "<id>", "good": true|false, "note": "..."})关闭承诺，并遵守 provenance 纪律：默认的self_graded是弱先验（仅 0.25× 信用），只有owner/external/runtime来源的验证才被视为真实结果。

可以看到，accint-frames 位于“solve 返回待深思帧”与“outcome 关闭承诺”之间的衔接段，它保证思考队列不积压、每个 frame 都有去路、每条提交都有预测记录可校准。

6. 局限性与使用前提

技能文档自带三条限制，使用时必须遵守：

场景匹配：仅在任务与上游来源及本地项目上下文明确匹配时使用本技能；
动手前验证：使用前必须核验命令、生成代码、依赖、凭据及外部服务行为——risk: critical意味着错误的acc_act调用可能产生实际运行时影响；
示例不等于测试：文档中的示例不能替代环境特定测试、安全评审以及用户对破坏性或高成本操作的批准。

此外需注意，本仓库仅收录该技能的 SKILL.md 与目录元数据（data/skills_index.json 亦登记了其路径），acc 运行时本身（accCLI 与acc_actMCP 动词）属于上游accreted-intelligence项目的能力，实际使用前需确保 acc 环境可用、队列中有真实待处理的 frame。

7. 小结

accint-frames 是一个小而精的“路由型”技能：它不发明逻辑，只把 Agent 稳定地引导到正确的续跑动词上，并用三条纪律保障队列排空的质量——PREDICT行校准工作模型、幂等重放保证容错、commitment溯源保证每条处理都可追踪。对于使用 acc 作为记忆与规划层、并常有无头任务中断留帧的 Agent 工作流，它是维持“思考不积压、闭环可追溯”的关键一环。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析