SKILLEMALL.ai

BC MeshMorize

Система памяти для ИИ-агентов на хостах типа OpenClaw. Файловая многоуровневая память: свежий ежедневный слой (смена каждые 5 дней), графовая сеть, автоматическое логирование каждого обмена, кросс-слойный поиск grep, проверка соответствия, восстановление после сбоев из транскриптов сессий, поиск в реестре автоматизации. Ищите перед ответом, логируйте после ответа. Локальный приоритет, $0 для запуска, переживает перезапуски.

машинный переводПоказать оригиналСкрыть оригинал«Memory system for AI agents on OpenClaw-like hosts. File-based multi-l…»

Memory system for AI agents on OpenClaw-like hosts. File-based multi-layer memory: fresh daily layer (5-day rotation), mesh graph, auto-log of every exchange, cross-layer grep search, compliance check, crash-gap recovery from session transcripts, automation-registry lookup. Search before answering, log after answering. Local-first, $0 to run, survives restarts.

ClawHub Agent Skills автор: mozz0 v4.0.0 MIT-0 8 файлов тело ≈ 2 551 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Система памяти для ИИ-агентов на хостах типа OpenClaw.

Как процесс C 50/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктураИИ и агентыБезопасностьтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
C
50/100
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

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 50/100

  • 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
  • 40Согласованность. Имя во frontmatter (MeshMorize) не совпадает с папкой (josh-learns)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Ошибки и развилки. Развилок: 6
  • 100Шаги. Шагов: 22
  • 100Стоимость исполнения. Тело инструкции 2551 токенов
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 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: 11. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (6 тегов): типизированный вызов надёжнее

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
  • +2Инструкции на одном языке
  • +3Длина description 363 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 22 пунктов
  • +4Есть примеры (9 блоков кода)
  • +3Все 3 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: suspicious
This skill provides local agent memory, but it also persistently records conversations and reaches into transcript and automation records with insufficient user control.
LLM: suspicious (high) · 8 сент. 2026 г.