SKILLEMALL.ai

BC elite-longterm-memory

Архитектура памяти ИИ-агента, объединяющая шесть зрелых методов: оперативная память состояния сеанса, векторная база данных, теплое хранилище, холодное хранилище заметок Git, кураторский архив, резервное копирование в облаке и автоматическое извлечение фактов. Обеспечивает постоянство через протокол WAL, охватывая гигиену памяти, диагностику неисправностей и мгновенное исправление. Подходит для независимых разработчиков, корпоративных команд и сценариев автоматизированных рабочих процессов.

машинный переводПоказать оригиналСкрыть оригинал«融合六种成熟方法的AI代理记忆架构:会话状态热内存、向量数据库 温存储、Git笔记冷存储、策展归档、云端备份与自动事实提取。通过 WAL协议…»

融合六种成熟方法的AI代理记忆架构:会话状态热内存、向量数据库 温存储、Git笔记冷存储、策展归档、云端备份与自动事实提取。通过 WAL协议保证持久性,覆盖记忆卫生、故障诊断与即时修复。适用于 独立开发者、企业团队和自动化工作流场景.

ClawHub Agent Skills автор: 天轰穿 v1.0.2 MIT-0 2 файла тело ≈ 1 797 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Архитектура памяти ИИ-агента, объединяющая шесть зрелых методов: оперативная память состояния сеанса, векторная база данных, теплое хранилище, холодное…

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникРазработкаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
67
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
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

  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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"
  • заметка frontmatter-key неизвестное поле фронтматтера "tools"
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"
  • заметка frontmatter-key неизвестное поле фронтматтера "suggested_price"
  • заметка frontmatter-key неизвестное поле фронтматтера "pricing_tier"
  • заметка frontmatter-key неизвестное поле фронтматтера "pricing_model"

Процессный рейтинг: все десять параметров 51/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 51
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1797 токенов
  • low Разделов верхнего уровня: 11. 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)
  • +3Длина description 117: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 51 пунктов
  • +4Есть примеры (5 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 67.

Внешние проверки

ClawHub: suspicious
This memory skill is coherent for its stated purpose, but it asks agents to persist user context automatically across multiple stores and optional cloud sync without clear consent, retention, or deletion controls.
LLM: suspicious (high) · 24 июл. 2026 г.