Esta capa de código abierto dota a los agentes de programación de reglas de equipo

Los asistentes de codificación IA pueden escribir código rápidamente, pero el repositorio detrás de ADLC Team Skills sostiene que la velocidad ya no es el problema de ingeniería más difícil. Su enfoque es el contexto compartido: poner los principios del equipo, decisiones de producto, reglas de arquitectura, flujos de trabajo y criterios de evaluación en archivos bajo control de versiones que los agentes de programación puedan usar de forma coherente.

El proyecto de código abierto, tikalk/adlc-team-skills, está diseñado para Claude Code, Codex, OpenCode, Cursor, GitHub Copilot y otras herramientas que soportan el estándar Agent Skills. Se presenta como la capa de equipo del «Twelve-Factor Agentic SDLC» del proyecto, con la intención de reemplazar personalizaciones de prompts aisladas por un marco de ingeniería común.

Ese enfoque encaja en el cambio más amplio hacia instrucciones reutilizables para agentes de codificación, incluyendo Habilidades de pantalla reutilizables de Claude y otros repositorios comunitarios de skills.

Instalación de la capa de equipo

El proyecto ofrece dos vías de instalación. Su propia CLI puede instalar skills, generar comandos tipo barra (slash commands) y conectar eventos de inicio de sesión:

''bash npx adlc-skills-cli add tikalk/adlc-team-skills -a opencode ''

Recomendado

Los gigantes de la nube planean 595.000 millones de dólares para infraestructura de IA

Para instalar solo las skills, los usuarios pueden ejecutar en su lugar:

''bash npx skills add tikalk/adlc-team-skills -a claude -g ''

El wrapper adlc-skills-cli soporta slash commands y event hooks a través de .events.json. Según el repositorio, enlaza eventos de inicio de sesión para nueve agentes de programación; los repositorios sin un archivo de eventos reciben comandos pero no hooks de eventos.

En un proyecto no configurado, la skill team-boot se ejecuta al inicio de la sesión y advierte al usuario que ejecute /team-setup. La configuración puede esbozar (scaffold) un nuevo repositorio team-ai-directives o clonar uno existente. La estructura generada incluye README.md, AGENTS.md, CDR.md, .skills.json, un marcador de posición para la constitución y archivos índice OKF, seguido por la inicialización de un repositorio Git.

Una vez configurado, team-boot ensambla la constitución del equipo, el índice de Context Directive Record, los índices de decisiones de producto y arquitectura y el registro de skills dentro del prompt del sistema del agente. El objetivo es poner el contexto del equipo a disposición antes de que el agente empiece a trabajar en lugar de depender de que cada desarrollador lo proporcione manualmente.

Cuatro pilares para el desarrollo orientado a agentes

ADLC organiza sus skills en torno a cuatro áreas:

• Estrategia y directivas del equipo: team-boot, team-discover, team-constitution y team-repair gestionan los principios compartidos y los módulos de contexto.
• Gobernanza de producto y arquitectura: los Product Decision Records se convierten en un PRD.md unificado, mientras que los Architectural Decision Records se ensamblan en AD.md usando los puntos de vista Funcional, de Seguridad, de Despliegue y de Rendimiento.
• Ejecución dirigida por especificaciones: mission-brief convierte una solicitud de funcionalidad en un contrato que contiene objetivos, restricciones, no-objetivos y criterios de éxito, y luego ejecuta un flujo de trabajo specify → plan → tasks → implement → converge.
• Verificación y evaluación: las skills de evals crean pruebas a nivel de aplicación con PromptFoo o DeepEval, combinando comprobaciones rápidas con subagentes evaluadores LLM antes de la revisión humana.

La regla central del repositorio es «Depura la especificación, no el código». Cuando un agente comete un error, se espera que el equipo agregue la restricción faltante a la especificación en lugar de parchear solo la salida inmediata.

La capa de gobernanza también separa la autoría de la evaluación: «Nunca dejes que el agente que escribió el código decida si el código es bueno». El proyecto llama a esto «Separar al creador del verificador», con evaluación automatizada seguida por una revisión humana tipo «Gran filtro».

«La velocidad está resuelta; la confianza y la verificación son el nuevo cuello de botella en la ingeniería de IA.»

Orquestación neutral respecto al proveedor

mission-brief es el orquestador central del proyecto. Al inicio de una misión, escanea directorios como .claude/skills y .agents/skills, lee el front matter de cada archivo SKILL.md y construye un inventario de skills disponibles.

En lugar de usar un mapeo fijo, el sistema entrega el inventario completo a un subagente, que decide si una skill aplica a cada fase. Si no se encuentra ninguna skill adecuada, el subagente procede directamente; si hay una que coincide, invoca esa skill y continúa la tubería (pipeline).

El repositorio afirma que esto puede combinar las skills de ADLC con fuentes como Spec-Kit, OpenSpec, mattpocock/skills, addyosmani/agent-skills y Superpowers. Su propio ejemplo instala múltiples fuentes antes de pedir a mission-brief que gestione una solicitud como añadir una API de perfil de usuario con autenticación JWT.

El proyecto no proporciona resultados de benchmarks ni una evaluación independiente sobre si estos flujos de trabajo mejoran la calidad del código. Su contribución es, en cambio, un modelo operativo concreto basado en Git para equipos que quieren que los agentes de programación sigan reglas compartidas en lugar de comportarse como asistentes desconectados impulsados por prompts.