BC mnemosyne
Движок когнитивной памяти для ИИ-агентов: предоставляет OpenClaw/Hermes человекоподобную долговременную память, используя 140 лет когнитивной психологии (теория составных подсказок), а не вложения. Нулевой API LLM, нулевая векторная база данных, чистое хранилище Markdown. Используйте, когда агенту требуется кросс-сессионное извлечение фактов пользователя, предпочтений, решений или истории разговоров; при настройке постоянной памяти, которая сохраняется после перезагрузок; когда пользователь спрашивает «ты помнишь X» или жалуется, что агент забывает; когда память должна оставаться на 100% локальной без затрат на API. Превосходит системы на основе вложений в бенчмарках Memory-Native (nDCG 0.238, в 5.2 раза) с поиском по ключевым словам ~7 мс.
машинный переводПоказать оригиналСкрыть оригинал«Cognitive memory engine for AI agents: gives OpenClaw/Hermes human-lik…»
Cognitive memory engine for AI agents: gives OpenClaw/Hermes human-like long-term memory using 140 years of cognitive psychology (compound-cue theory), not embeddings. Zero LLM API, zero vector DB, pure Markdown storage. Use when the agent needs cross-session recall of user facts, preferences, decisions, or conversation history; when setting up persistent memory that survives restarts; when the user asks 'do you remember X' or complains the agent forgets; when memory must stay 100% local with no API cost. Beats embedding-based systems on Memory-Native benchmarks (nDCG 0.238, 5.2x) with ~7ms keyword search.
Движок когнитивной памяти для ИИ-агентов: предоставляет OpenClaw/Hermes человекоподобную долговременную память, используя 140 лет когнитивной психологии…
Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу
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: 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 58/100
- 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
- 55Ошибки и развилки. Развилок: 1
- 60Инструменты и файлы. Используются инструменты (bash, node), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 12
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 493 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
- +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
- -5В тексте остались TODO / заглушки
- -2Ссылки на localhost: у другого пользователя не заработает
- -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 613 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 7 заголовков
- +3Пошаговые инструкции: 12 пунктов
- +4Есть примеры (1 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.