SKILLEMALL.ai

AD sage-memory

Постоянная, подтвержденная консенсусом память для AI-агентов через сервер SAGE MCP. Предоставляет вам институциональную память, которая сохраняется между разговорами — воспоминания проходят BFT-консенсус, несут оценки уверенности и со временем угасают. Используйте этот навык при работе с сервером SAGE MCP для управления постоянной памятью агента, извлечения прошлого контекста, размышления о выполненных задачах и поддержания непрерывности между сессиями. Ключевые слова: память, постоянство, извлечение, запоминание, контекст, мозг, институциональные знания, консенсус, BFT.

машинный переводПоказать оригиналСкрыть оригинал«Persistent, consensus-validated memory for AI agents via SAGE MCP serv…»

Persistent, consensus-validated memory for AI agents via SAGE MCP server. Gives you institutional memory that survives across conversations — memories go through BFT consensus, carry confidence scores, and decay over time. Use this skill when working with a SAGE MCP server to manage persistent agent memory, recall past context, reflect on completed tasks, and maintain continuity across sessions. Keywords: memory, persistence, recall, remember, context, brain, institutional knowledge, consensus, BFT.

ClawHub Agent Skills автор: l33tdawg v5.0.2 MIT-0 2 файла тело ≈ 1 490 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Постоянная, подтвержденная консенсусом память для AI-агентов через сервер SAGE MCP.

Как процесс D 47/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
D
47/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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: 2. 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 47/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 8, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 38
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1490 токенов
    • 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

    • +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
    • -2Ссылки на localhost: у другого пользователя не заработает
    • +2Инструкции на одном языке
    • +3Длина description 504 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 38 пунктов
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

    Внешние проверки

    ClawHub: clean
    This skill is a disclosed local memory tool, so its persistence creates privacy considerations but fits its stated purpose.
    LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.