BD personal-memory-system
Автоматизированная двухуровневая система памяти для постоянного хранения и поиска личных знаний. Она автоматически синхронизирует долгосрочную память пользователя из MEMORY.md в базу данных SQLite memory.db, реализуя интеллектуальный поиск "естественный язык → SQL-запрос". **Сценарии использования**: (1) Пользователю нужно узнать "каковы были мои прошлые взгляды на ИИ-модели?" (2) Пользователь хочет, чтобы система автоматически записывала важные решения, избегая "психологических заметок" (3) Требуется база знаний с контролем версий и возможностью поиска. **Основные функции**: - Автоматическая синхронизация блоков заголовков ### из MEMORY.md в базу данных memory.db - Поддержка запросов на естественном языке, система автоматически выполняет SQL-запросы - Синхронизация с Obsidian и Git для полного цикла управления личными знаниями. **Системные зависимости**: - Должен существовать файл /home/awu/.openclaw/workspace-work/MEMORY.md - Должен существовать файл /home/awu/.openclaw/workspace-work/auto_sync_memory.py - Должна существовать база данных /home/awu/.openclaw/workspace-work/memory.db **Важно**: Этот навык не предоставляет никаких внешних вызовов API, все данные хранятся локально, безопасно и надежно.
машинный переводПоказать оригиналСкрыть оригинал«一个自动化、双层记忆系统，用于持久化和可查询个人知识。它将用户在 MEMORY.md 中的长期记忆，自动同步到 SQLite 数据库 mem…»
一个自动化、双层记忆系统，用于持久化和可查询个人知识。它将用户在 MEMORY.md 中的长期记忆，自动同步到 SQLite 数据库 memory.db，实现“自然语言 → SQL 查询”的智能检索。 **使用场景**： (1) 用户需要查询“我过去对 AI 模型的看法？” (2) 用户希望系统自动记录重要决策，避免“心理笔记” (3) 需要一个可版本控制、可检索的个人知识库 **核心功能**： - 自动将 MEMORY.md 中的 ### 标题块同步到 memory.db 数据库 - 支持通过自然语言提问，系统自动执行 SQL 查询 - 与 Obsidian 和 Git 同步，实现个人知识库的完整闭环 **系统依赖**： - 必须存在 /home/awu/.openclaw/workspace-work/MEMORY.md - 必须存在 /home/awu/.openclaw/workspace-work/auto_sync_memory.py - 必须存在 /home/awu/.openclaw/workspace-work/memory.db **重要**：此技能不提供任何外部 API 调用，所有数据均存储在本地，安全可靠。
Автоматизированная двухуровневая система памяти для постоянного хранения и поиска личных знаний.
Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 49/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 40Согласованность. Имя во frontmatter (personal-memory-system) не совпадает с папкой (personal-memory-system-published)
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 18
- 100Стоимость исполнения. Тело инструкции 326 токенов
- 100Повторный запуск. Изменяющих операций нет
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 523 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 7 заголовков
- +3Пошаговые инструкции: 18 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.