checkpoint-mode
Über
Diese Fähigkeit implementiert selektive Autonomie, indem sie nach Abschluss einer konfigurierbaren Anzahl von Aufgaben zur Benutzerüberprüfung pausiert. Sie ist für neuartige oder kostenintensive Projekte konzipiert, um Ressourcenverschwendung zu vermeiden und Kurskorrekturen zu ermöglichen. Entwickler sollten sie nutzen, um durch regelmäßige Feedback-Schleifen die Aufsicht aufrechtzuerhalten, während sie Arbeit in Schüben automatisiert.
Schnellinstallation
Claude Code
Empfohlennpx skills add asklokesh/claudeskill-loki-mode -a claude-code/plugin add https://github.com/asklokesh/claudeskill-loki-modegit clone https://github.com/asklokesh/claudeskill-loki-mode.git ~/.claude/skills/checkpoint-modeKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
Checkpoint Mode Skill
Overview
Implements selective autonomy - shorter bursts of autonomous work with feedback loops.
Research Source: "Use Agents or Be Left Behind" by Tim Dettmers
Philosophy
"More than 90% of code should be written by agents, but iteratively design systems with shorter bursts of autonomy with feedback loops."
- Tim Dettmers, 2026
Problem with Perpetual Autonomy:
- Can waste resources on wrong approach
- No opportunity for course correction
- User feels disconnected from progress
Solution:
- Pause after N tasks or M minutes
- Generate summary of accomplishments
- Wait for explicit approval to continue
When to Use
Use Checkpoint Mode For:
- Novel projects where approach may need adjustment
- High-cost operations (expensive API calls, cloud resources)
- Learning phases where user wants to guide direction
- Regulated environments requiring audit trail
Use Perpetual Mode For:
- Well-defined PRDs with clear requirements
- Established patterns with high confidence
- Overnight builds where interruption isn't desired
- CI/CD pipelines requiring full automation
Configuration
# Enable checkpoint mode
LOKI_AUTONOMY_MODE=checkpoint
# Pause frequency
LOKI_CHECKPOINT_FREQUENCY=10 # tasks
LOKI_CHECKPOINT_TIME=60 # minutes
# Always pause after these phases
LOKI_CHECKPOINT_PHASES="architecture,deployment"
Checkpoint Workflow
[Work on 10 tasks] → [Pause] → [Generate Summary] → [Wait for Approval]
↓
[User reviews and approves]
↓
[Resume work]
On Checkpoint:
-
Generate Summary
# Checkpoint Summary ## Tasks Completed (10) - Implemented POST /api/todos endpoint - Added unit tests (95% coverage) - Set up CI/CD pipeline - ... ## Next Actions - Deploy to staging - Run integration tests - Security audit ## Resources Used - 15 minutes elapsed - 3 Haiku agents, 2 Sonnet agents - Estimated cost: $0.45 -
Create Approval Signal
# System writes: .loki/signals/CHECKPOINT_SUMMARY_2026-01-14-10-30.md # User reviews and creates: .loki/signals/CHECKPOINT_APPROVED -
Wait for Approval
- Orchestrator pauses execution
- Monitors for approval signal
- Resumes when signal detected
Agent Instructions (Orchestrator)
When LOKI_AUTONOMY_MODE=checkpoint:
completed_tasks = load_completed_tasks()
tasks_since_checkpoint = completed_tasks - last_checkpoint_count
if tasks_since_checkpoint >= CHECKPOINT_FREQUENCY:
# Pause and generate summary
summary = generate_checkpoint_summary()
write_signal("CHECKPOINT_SUMMARY", summary)
# Wait for approval
log_info("Waiting for checkpoint approval...")
while not signal_exists("CHECKPOINT_APPROVED"):
sleep(5)
# Resume work
remove_signal("CHECKPOINT_APPROVED")
log_info("Checkpoint approved. Resuming work...")
last_checkpoint_count = completed_tasks
Comparison with Other Modes
| Mode | Best For | Approval Frequency | Use Case |
|---|---|---|---|
| Perpetual | Overnight builds | Never | Fully automated CI/CD |
| Checkpoint | Novel projects | Every 10 tasks | Learning new domain |
| Supervised | Critical systems | Every task | Production deployments |
Metrics
Track checkpoint effectiveness:
{
"checkpoint_id": "cp-2026-01-14-001",
"tasks_completed": 10,
"time_elapsed_minutes": 15,
"approval_time_seconds": 45,
"course_corrections": 0,
"user_satisfaction": "approved_without_changes"
}
Storage: .loki/metrics/checkpoint-mode/
References
references/production-patterns.md- HN production insights- timdettmers.com/use-agents-or-be-left-behind
Version: 1.0.0
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill checkpoint-mode?
checkpoint-mode ist ein Claude Skill von asklokesh. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um checkpoint-mode ohne zusätzliche Eingaben auszuführen.
Wie installiere ich checkpoint-mode?
Verwende die Installationsbefehle auf dieser Seite: Füge checkpoint-mode als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört checkpoint-mode?
checkpoint-mode gehört zur Kategorie Andere.
Kann ich checkpoint-mode kostenlos nutzen?
Ja. checkpoint-mode ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.
