AB graph-rag-memory
Система памяти Graph-RAG, использующая временный граф знаний Graphiti + FalkorDB + локальные эмбеддинги Ollama. Обеспечивает постоянную, доступную для запросов долговременную память для агентов OpenClaw через маршрутизатор с несколькими эмбеддингами в стиле MoE (Mixture-of-Experts). Используйте при: настройке постоянной памяти агента, запросах к прошлым разговорам или фактам, загрузке документов в граф памяти, проверке статуса системы памяти или интеграции памяти graph-rag в агент OpenClaw. Активируется по запросам: "memory system", "graph rag", "graphiti", "persistent memory", "ingest memory", "query memory", "what do you remember", "memory upgrade".
машинный переводПоказать оригиналСкрыть оригинал«Graph-RAG memory system using Graphiti temporal knowledge graph + Falk…»
Graph-RAG memory system using Graphiti temporal knowledge graph + FalkorDB + local Ollama embeddings. Provides persistent, queryable long-term memory for OpenClaw agents via a MoE-style (Mixture-of-Experts) multi-embedding router. Use when: setting up persistent agent memory, querying past conversations or facts, ingesting documents into the memory graph, checking memory system status, or integrating graph-rag memory into an OpenClaw agent. Triggers on: "memory system", "graph rag", "graphiti", "persistent memory", "ingest memory", "query memory", "what do you remember", "memory upgrade".
Система памяти Graph-RAG, использующая временный граф знаний Graphiti + FalkorDB + локальные эмбеддинги Ollama.
Как процесс B 67/100 · Почти готов — слабые места: результат и критерий готовности, повторный запуск, 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: 10. 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 67/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 11
- 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1358 токенов
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
- -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
- -32 из 5 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 8 примера фраз-триггеров в кавычках
- +3Длина description 595 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 11 пунктов
- +4Есть примеры (10 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 3)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 86.