AD MemCore 记忆核心
v2.1.0 (улучшено WAL+VFM). Пятиуровневая адаптивная система памяти с индексацией WAL, поиском в рабочем буфере и оценкой VFM. Пятиуровневая адаптивная система поиска памяти, саморазвивающаяся четырехслойная модель памяти (L1 след → L2 паттерн → L3 мировая модель → кристаллизация навыков), оценка ценности на основе обратной связи, автоматическое обслуживание и диагностика состояния для агентов OpenClaw. Используйте при: (1) Поиске в памяти с гарантией отката, (2) Проведении проверок состояния с диагностикой исторических неисправностей, (3) Ежедневном процессе 散会 с автоматическим индуктивным выявлением паттернов, (4) Генерации краткого стартового отчета для замены полной инъекции MEMORY.md, (5) Проверке ассоциаций паттернов между доменами для предотвращения повторных сбоев.
машинный переводПоказать оригиналСкрыть оригинал«v2.1.0 (WAL+VFM enhanced). Five-tier adaptive memory system with WAL i…»
v2.1.0 (WAL+VFM enhanced). Five-tier adaptive memory system with WAL indexing, Working Buffer search, and VFM scoring. 为 OpenClaw 打造的五层自适应记忆检索系统，四层自进化记忆模型（L1轨迹→L2模式→L3世界模型→技能结晶），反馈驱动的价值评分，自动维护与健康诊断。适用场景：(1) 带降级保障的记忆搜索，(2) 带历史故障诊断的健康检查，(3) 每日散会流程自动模式归纳，(4) 生成启动简报替代全量MEMORY.md注入节省92% token，(5) 跨领域模式关联检查防止重复犯错。 Five-tier adaptive memory retrieval, self-evolving four-layer memory model (L1 trace → L2 pattern → L3 world model → Skill crystallization), feedback-driven value scoring, auto-maintenance, and health diagnostics for OpenClaw agents. Use when: (1) Searching memory with fallback guarantees, (2) Running health checks with historical fault diagnosis, (3) Daily 散会流程 with auto pattern induction, (4) Generating startup brief to replace full MEMORY.md injection, (5) Checking cross-domain pattern associations to prevent recurring failures.
v2.1.0 (улучшено WAL+VFM). Пятиуровневая адаптивная система памяти с индексацией WAL, поиском в рабочем буфере и оценкой VFM. Пятиуровневая адаптивная система…
Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 14. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы)
Процессный рейтинг: все десять параметров 46/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (MemCore 记忆核心) не совпадает с папкой (memcore-memory)
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 6
- 100Стоимость исполнения. Тело инструкции 866 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 847: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -31 из 1 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 10 заголовков
- +3Пошаговые инструкции: 6 пунктов
- +4Есть примеры (6 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 3)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.