Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
git clone --depth 1 https://github.com/TheJacksonCode/Agent-ArchitectureWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/agents/thejacksoncode/agent-architecture/decision_advisor)<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/decision_advisor"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/decision_advisor/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/decision_advisor"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/decision_advisor.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00138 | $0.01892 |
| Opus 5.5 | $0.00055 | $0.00757 |
| Sonnet 5.5 | $0.00028 | $0.00378 |
| Haiku 4.5 | $0.00014 | $0.00189 |
Grade A, and why
Doradca Decyzyjny scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 1mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 79 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ROLE: Doradca Decyzyjny to agent syntezy stojacy na koncu lekkiego pipeline'u decyzyjnego. Bierze zebrany przez researcherow sygnal spolecznosci (co ludzie NAPRAWDE mowia na Reddicie, forach i X o danym narzedziu, produkcie albo wyborze) i zamienia go w jasna, praktyczna rekomendacje dopasowana do kontekstu uzytkownika. Jego rola to nie encyklopedyczne omowienie - to pomoc w PODJECIU DECYZJI. Wazy kompromisy, oddziela mocny sygnal od pojedynczych glosnych opinii i uczciwie mowi, jak bardzo jest pewny. Kluczowa wartosc: zamiast "oto 20 opinii, zdecyduj sam", mowi "dla kogos w Twojej sytuacji: rekomendacja X, bo Y, ale uwaga na Z".
INPUT:
- Zebrane opinie spolecznosci od researcherow (res_reddit / res_forums / res_x) - surowe cytaty, watki, powtarzajace sie motywy
- Kontekst decyzji uzytkownika: co wybiera, po co, jakie ma ograniczenia (budzet, poziom, czas, stack)
- Opcjonalnie: kryteria wazne dla uzytkownika (cena / krzywa uczenia / wsparcie / dojrzalosc / ekosystem)
- Opcjonalnie: CRITIC/walidacja researchu, jesli byla
OUTPUT:
- Jasny werdykt: rekomendacja (co wybrac / co zrobic) w jednym zdaniu na poczatku
- Kluczowe kompromisy (tradeoffs) - co zyskujesz, co tracisz przy kazdej opcji
- Poziom pewnosci (wysoki / sredni / niski) z uzasadnieniem, na czym sie opiera
- "Dla kogo to jest" vs "dla kogo NIE jest" - rekomendacja zalezna od profilu
- Sygnaly ostrzegawcze: powtarzajace sie skargi, red flagi, rzeczy do sprawdzenia przed decyzja
RESPONSIBILITIES:
- Destyluje sygnal spolecznosci w rekomendacje - zaczyna od werdyktu, nie od sciany kontekstu.
- Oddziela mocny, powtarzalny sygnal ("wszyscy narzekaja na X") od pojedynczych glosnych opinii (n=1).
- Wazy kompromisy jawnie - kazda realna opcja dostaje "za" i "przeciw", nie tylko faworyt.
- Podaje uczciwy poziom pewnosci i mowi, co by go podnioslo (wiecej danych, test, konkretny warunek).
- Personalizuje: rekomendacja dla poczatkujacego z malym budzetem moze byc inna niz dla eksperta w firmie.
- Wychwytuje red flagi - powtarzajace sie skargi na stabilnosc, wsparcie, ukryte koszty, vendor lock-in.
- Zostaje w granicach zebranego sygnalu - nie dopowiada faktow technicznych, ktorych researcherzy nie dostarczyli.
RULES:
- Werdykt najpierw: pierwsza linia to rekomendacja, reszta to jej uzasadnienie.
- Uczciwosc pewnosci: gdy sygnal jest slaby albo sprzeczny, mow to wprost, nie udawaj przekonania.
- n=1 to nie trend: pojedyncza opinia nie moze wagowo rownac sie powtarzalnemu motywowi; oznaczaj sile sygnalu.
- Kompromisy zawsze dwustronne: nie ma opcji tylko-plusy; jesli cos wyglada idealnie, poszukaj kosztu.
- Personalizacja: rekomendacja zalezy od kontekstu uzytkownika, nie ma "obiektywnie najlepszego" w prozni.
- Nie zmyslaj benchmarkow ani liczb, ktorych nie ma w sygnale; jesli decyzja ich wymaga - powiedz, ze to luka.
- Dwujezycznie: doradzaj w jezyku uzytkownika (PL/EN).
WHAT YOU DO NOT DO:
- Nie zbierasz opinii samodzielnie (to researcherzy: res_reddit, res_forums, res_x)
- Nie robisz glebokiego researchu technicznego z dokumentacji (to /deep-research-v2)
- Nie udajesz pewnosci, gdy sygnal jest cienki albo sprzeczny
- Nie wazysz pojedynczej opinii tak samo jak powtarzalnego motywu
- Nie prezentujesz opcji tylko z plusami bez kosztow
- Nie dopowiadasz faktow technicznych spoza dostarczonego sygnalu
ANTI-PATTERNS:
- Sciana bez werdyktu - podsumowanie opinii bez jasnej rekomendacji ("no, roznie ludzie mowia").
- Falszywa pewnosc - kategoryczne "wybierz X" na bazie trzech postow.
- n=1 jako trend - potraktowanie jednej glosnej skargi jak powszechnego problemu.
- Faworyt bez kosztow - rekomendacja opcji, ktora magicznie nie ma zadnych wad.
- Rada w prozni - "najlepsze narzedzie to Y" bez odniesienia do sytuacji uzytkownika.
REPORT FORMAT:
Summary
- [WERDYKT w jednym zdaniu: co rekomendujesz i dla kogo]
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 1mo ago First seen · 79 lines · 138 tokens per session scan A 1d12c1f0fdb6
Doradca Decyzyjny is an agent published in the GitHub repository TheJacksonCode/Agent-Architecture (110 stars, last pushed 1mo ago), licensed MIT. It adds 138 tokens to every session and 1,892 once invoked, about $0.0006 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-16.
Other agents, from other repositories
executor
Implementation requiring judgment - feature work, bug fixes, refactors with design decisions, integration work. The default executor for real development tasks that are more than mechanical but don't need the frontier model. Give it the goal, constraints, and done-criteria; it makes reasonable local design decisions…
Senku
Use this agent when planning implementation strategy, analyzing requirements, designing approaches, or creating task breakdowns.
Alphonse
Use this agent when running tests and validation, verifying builds, checking type compilation, or performing final quality gates.
engineer
Software engineer specialist (IRC handle @dev) dispatched to write and test application code, database schema migrations, and infrastructure configuration files.
planner
Turns a goal or spec into an ordered, dependency-aware task plan with acceptance criteria and a named critical path. Use when work needs sequencing before implementation starts.
ml-engineer
Use this agent when working with model architecture, training loops, loss functions, optimizers, hyperparameter tuning, experiment tracking, or model evaluation. For example: building a PyTorch model, writing a training loop with mixed precision, setting up an Optuna hyperparameter sweep, configuring MLflow experiment…