SKILLEMALL.ai

AC agent-memory-architect

Завершает архитектуру памяти для ИИ-агентов — многоуровневое хранилище (HOT/WARM/COLD), автоматическое обучение на основе исправлений, саморефлексия, совместное использование памяти несколькими агентами и интеллектуальное затухание. Однократная настройка дает любому агенту постоянную память, которая накапливается со временем. Используйте при: настройке памяти агента, когда агенту нужно запоминать предпочтения/шаблоны/исправления, создании команд из нескольких агентов с общими знаниями, при запросах об архитектуре памяти/самообучающихся/самосовершенствующихся агентах, или когда пользователь говорит «记住这个», «remember this», «memory setup», «memory stats», «what do you know about me», «forget X».

машинный переводПоказать оригиналСкрыть оригинал«Complete memory architecture for AI agents — tiered storage (HOT/WARM/…»

Complete memory architecture for AI agents — tiered storage (HOT/WARM/COLD), auto-learning from corrections, self-reflection, multi-agent memory sharing, and intelligent decay. One-click setup gives any agent persistent memory that compounds over time. Use when: setting up agent memory, the agent needs to remember preferences/patterns/corrections, building multi-agent teams with shared knowledge, when asked about memory architecture/self-learning/self-improving agents, or when user says "记住这个", "remember this", "memory setup", "memory stats", "what do you know about me", "forget X".

ClawHub Agent Skills автор: ironmanc2014 v1.1.0 MIT-0 6 файлов тело ≈ 1 494 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Завершает архитектуру памяти для ИИ-агентов — многоуровневое хранилище (HOT/WARM/COLD), автоматическое обучение на основе исправлений, саморефлексия…

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

ГенераторИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
96
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
Когда включается вес 12
20
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 · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1
    • низкая Рискованное назначение intent-offensive-security references/security.md:13
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      | Access | System permissions, admin credentials | Privilege escalation |

    Просканировано файлов: 6. 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
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 22
    • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1494 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
    • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 5 примера фраз-триггеров в кавычках
    • +3Длина description 589 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 19 заголовков
    • +3Пошаговые инструкции: 22 пунктов
    • +4Есть примеры (9 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.

    Внешние проверки

    ClawHub: clean
    This skill creates a local agent-memory folder and stores user preferences/corrections there, which is disclosed and aligned with its purpose, with no evidence of hidden network access, credential use, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.