BC memory-bench-pioneer
Будьте одним из первых, кто протестирует память вашего агента — и помогите сформировать то, как ИИ запоминает. Оценка уровня рецензирования (LLM-как-судья, nDCG/MAP/MRR с 95% доверительными интервалами, абляции) по сравнению с вашей системой живой памяти. По умолчанию выполняется полностью ЛОКАЛЬНО — содержимое памяти не покидает вашу машину, а фрагменты даже в локальном пути редактируются. Необязательный судья OpenAI подключается по желанию, выводит точное тело запроса, которое он отправил бы, сначала редактирует секреты, требует явного согласия и не может быть включен незапущенным запуском. Отправка результатов — это отдельный подтвержденный шаг, который проверяет отчет по полной схеме и предварительно просматривает каждое поле в нем, идентифицируя вас только в том случае, если вы прошли --contributor. Создано для форка TinkerClaw — github.com/globalcaos/tinkerclaw. См. Разрешения, Поток данных и Согласие.
машинный переводПоказать оригиналСкрыть оригинал«Be one of the first to benchmark your agent's memory — and help shape…»
Be one of the first to benchmark your agent's memory — and help shape how AI remembers. Peer-review-grade evaluation (LLM-as-judge, nDCG/MAP/MRR with 95% CIs, ablations) against your live memory system. Runs entirely LOCALLY by default — no memory content leaves your machine, and excerpts are redacted even on the local path. The optional OpenAI judge is opt-in, prints the exact request body it would send, redacts secrets first, requires typed consent, and cannot be switched on by an unattended run. Submitting results is a separate confirmed step that validates the report against the full schema and previews every field in it, and identifies you only if you pass --contributor. Built for the TinkerClaw fork — github.com/globalcaos/tinkerclaw. See Permissions, Data Flow & Consent.
Будьте одним из первых, кто протестирует память вашего агента — и помогите сформировать то, как ИИ запоминает.
Как процесс C 52/100 · Есть пробелы — 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: 10. 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 52/100
- 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: 19, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, python, node), но во frontmatter они не объявлены
- 70Ошибки и развилки. Развилок: 4
- 100Шаги. Шагов: 10
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3383 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- -2Ссылки на localhost: у другого пользователя не заработает
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 788 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 10 заголовков
- +3Пошаговые инструкции: 10 пунктов
- +4Есть примеры (6 блоков кода)
- +3Все 6 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.