---

name: "run" description: "Comando de ciclo de vida completo que encadeia init → baseline → spawn → eval → merge em uma única invocação." command: /hub:run agents:

• claude-code

---

/hub:run — Ciclo de Vida Completo

Executar o ciclo de vida completo do AgentHub em um único comando: inicializar, capturar baseline, lançar agentes, avaliar resultados e mergear o vencedor.

Uso

/hub:run --task "Reduce p50 latency" --agents 3 \
  --eval "pytest bench.py --json" --metric p50_ms --direction lower \
  --template optimizer

/hub:run --task "Refactor auth module" --agents 2 --template refactorer

/hub:run --task "Cover untested utils" --agents 3 \
  --eval "pytest --cov=utils --cov-report=json" --metric coverage_pct --direction higher \
  --template test-writer

/hub:run --task "Write 3 email subject lines for spring sale campaign" --agents 3 --judge

Parâmetros

Parâmetro	Obrigatório	Descrição
--task	Sim	Descrição da tarefa para os agentes
--agents	Não	Número de agentes paralelos (padrão: 3)
--eval	Não	Comando de avaliação para medir resultados (omitir para modo juiz LLM)
--metric	Não	Nome da métrica a extrair da saída do eval (obrigatório se --eval fornecido)
--direction	Não	lower ou higher — qual direção é melhor (obrigatório se --metric fornecido)
--template	Não	Template de agente: optimizer, refactorer, test-writer, bug-fixer

O Que Faz

Executar estas etapas sequencialmente:

Passo 1: Inicializar

Executar /hub:init com os argumentos fornecidos:

python {skill_path}/scripts/hub_init.py \
  --task "{task}" --agents {N} \
  [--eval "{eval_cmd}"] [--metric {metric}] [--direction {direction}]

Exibir o ID da sessão ao usuário.

Passo 2: Capturar Baseline

Se --eval foi fornecido:

1. Executar o comando de eval no diretório de trabalho atual
2. Extrair o valor da métrica do stdout
3. Exibir: Baseline capturado: {metric} = {value}
4. Adicionar baseline: {value} a .agenthub/sessions/{session-id}/config.yaml

Se nenhum --eval foi fornecido, pular esta etapa.

Passo 3: Lançar Agentes

Executar /hub:spawn com o ID da sessão.

Se --template foi fornecido, usar o prompt de dispatch do template em references/agent-templates.md em vez do prompt de dispatch padrão. Passar o comando de eval, métrica e baseline para as variáveis do template.

Lançar todos os agentes em uma única mensagem com múltiplas chamadas à ferramenta Agent (verdadeiro paralelismo).

Passo 4: Aguardar e Monitorar

Após o spawn, informar ao usuário que os agentes estão em execução. Quando todos os agentes concluírem (ferramenta Agent retornar resultados):

1. Exibir um breve resumo do trabalho de cada agente
2. Prosseguir para avaliação

Passo 5: Avaliar

Executar /hub:eval com o ID da sessão:

• Se --eval foi fornecido: classificação baseada em métrica com result_ranker.py
• Se nenhum --eval: modo juiz LLM (coordenador lê diffs e classifica)

Se baseline foi capturado, passar --baseline {value} para result_ranker.py para que os deltas sejam exibidos.

Exibir a tabela de resultados classificados.

Passo 6: Confirmar e Mergear

Apresentar os resultados ao usuário e pedir confirmação:

Agent-2 é o vencedor (128ms, -52ms do baseline).
Mergear o branch do agent-2? [S/n]

Se confirmado, executar /hub:merge. Se recusado, informar ao usuário que pode:

• /hub:merge --agent agent-{N} para escolher um vencedor diferente
• /hub:eval --judge para re-avaliar com juiz LLM
• Inspecionar branches manualmente

Regras Críticas

• Execução sequencial — cada etapa depende da anterior
• Parar em caso de falha — se alguma etapa falhar, reportar o erro e parar
• Usuário confirma o merge — nunca auto-mergear sem perguntar
• Template é opcional — sem --template, agentes usam o prompt de dispatch padrão do /hub:spawn