Un framework abierto para reutilizar skills de IA entre Claude, ChatGPT y Codex
El autor mantiene un nucleo neutro con adaptadores por plataforma para no duplicar la logica de sus flujos, aunque la evaluacion en los tres entornos sigue pendiente.
Un desarrollador ha publicado DBS Framework, un proyecto en GitHub que organiza los flujos de trabajo de IA reutilizables en tres capas para poder moverlos entre Claude, ChatGPT y Codex sin mantener varias copias de la misma logica. El nucleo se queda neutro respecto a la plataforma; lo especifico de cada entorno vive en un adaptador aparte.
Tres capas y un nucleo neutro
Las capas son Direction, Blueprints y Solutions. Direction cubre cuando debe activarse la capacidad, el flujo de trabajo, las restricciones y los criterios de aceptacion. Blueprints guarda conocimiento especifico de la tarea, como guias de estilo, esquemas y ejemplos, que se referencian cuando hacen falta. Solutions es la ejecucion con lo que ofrezca el host: herramientas nativas, plugins o conectores, MCP, APIs, scripts, uso de navegador o de computadora, y generacion de archivos.
El ejemplo que da el autor: una capacidad de informes mensuales deja los pasos en Direction, las definiciones de columnas CSV y el estilo de la casa en Blueprints, y los calculos y la generacion de PDF en Solutions. Al cambiar de host se revisan sus herramientas y se adapta la ejecucion, pero el contrato del informe sigue igual. Avisa de que es un flujo ilustrativo, no una aplicacion de informes incluida en el paquete.
Que trae el repositorio
Un SKILL.md central, tres adaptadores (uno por plataforma) y cuatro plantillas de arranque. Hay dos modos de uso, Fast para tareas claras e Interactive para decisiones que necesitan aclaraciones. Los limites de activacion estan pensados para que un recordatorio simple no acabe convertido en un proyecto de arquitectura.
Los scripts de scaffolding y validacion en Python no tienen dependencias de terceros, y el scaffolding se niega a sobrescribir un destino que ya existe. La comprobacion de integridad del repositorio cubre los 22 archivos de referencia y revisa metadatos, enlaces locales soportados, sintaxis de Python y marcadores de skills sin terminar. En la rama main actual hay 18 pruebas locales en verde y los trabajos de GitHub Actions pasan en Windows y Ubuntu con Python 3.10 y 3.13.
El autor es explicito con los limites: esto es un framework de autoria. Los adaptadores son guia, no integraciones instaladas, y el paquete no da acceso a herramientas ni programa trabajo en segundo plano. Tampoco pretende que sus pruebas de herramientas demuestren el comportamiento de los modelos: la evaluacion en los tres hosts esta pendiente.
El marco original Direction / Blueprints / Solutions es de AI Foundations. Lo de aqui es una adaptacion no oficial que anade guia neutra, adaptadores, modos y utileria. La licencia MIT se aplica solo a las herramientas nuevas identificadas en LICENSE; la documentacion y las plantillas adaptadas quedan fuera de esa licencia, con los detalles en ATTRIBUTION.md. v1.0.0 es la base publicada y las mejoras mas recientes estan en main bajo Unreleased.
Lo que queda por ver es si la separacion aguanta cuando un flujo cambia de host de verdad, porque eso el autor no lo ha medido. De hecho pide opinion justamente sobre los limites entre capas y el comportamiento de los disparadores.
