SKILLEMALL.ai

AC memory-organizer

Организует, сжимает и курирует память OpenClaw, не загрязняя постоянную память. Использовать, когда пользователь хочет сжать файлы памяти, очистить устаревшие заметки в памяти, уменьшить контекст при запуске, удалить избыточность или оставить MEMORY.md сосредоточенным только на важных долгосрочных фактах. Сохраняет ежедневные файлы памяти для детальной истории и продвигает только стабильные важные элементы, такие как предпочтения пользователя, долгосрочные настройки проекта и активные задачи между сессиями.

машинный переводПоказать оригиналСкрыть оригинал«Organize, compress, and curate OpenClaw memory without polluting perma…»

Organize, compress, and curate OpenClaw memory without polluting permanent memory. Use when the user wants to compress memory files, clean dated memory notes, reduce startup context, remove redundancy, or keep MEMORY.md focused on must-read long-term facts only. Preserve day-by-day memory files for historical detail, and promote only stable essentials such as user preferences, durable project configuration, and active cross-session todos.

ClawHub Agent Skills автор: codeblackhole v1.2.1 5 файлов тело ≈ 868 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Организует, сжимает и курирует память OpenClaw, не загрязняя постоянную память.

Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

СправочникИнфраструктураЛичная продуктивностьтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • 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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 63/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 60Ошибки и развилки. Развилок: 2
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 45
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 868 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +4Нет примеров входа/выхода
    • -5В тексте остались TODO / заглушки
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 442 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 12 заголовков
    • +3Пошаговые инструкции: 45 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

    Внешние проверки

    ClawHub: clean
    The reviewed skill artifacts are purpose-aligned developer and ClawHub maintenance workflows, with sensitive actions disclosed and guarded by user confirmation or existing auth controls.
    LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.