BC elite-longterm-memory-local
Локальная система векторной памяти на основе LanceDB и чистого JavaScript Embedding, без внешних API или нативных модулей. Векторы генерируются локально с помощью модели nomic-embed-text, запускаемой через Ollama, все данные остаются полностью локально, приоритет — конфиденциальность. Предоставляет пятиуровневую архитектуру памяти: горячая память (SESSION-STATE.md), теплое хранилище (векторы LanceDB), холодное хранилище (Git-Notes), тщательно отобранный архив (MEMORY.md + daily/), локальное встраивание (Ollama). Поддерживает журнал предзаписи протокола WAL, автоматический вызов соответствующего контекста, интеллектуальный захват важной информации. Особенно подходит для сред с высокими требованиями к конфиденциальности данных. По сравнению с облачными API, локальное встраивание бесплатно, имеет низкую задержку, работает офлайн, данные не покидают домен.
машинный переводПоказать оригиналСкрыть оригинал«基于 LanceDB 与纯 JavaScript Embedding 的本地向量记忆系统，无需外部 API 或原生模块. 通过 Ollama…»
基于 LanceDB 与纯 JavaScript Embedding 的本地向量记忆系统，无需外部 API 或原生模块. 通过 Ollama 本地运行 nomic-embed-text 模型生成向量，所有数据完全留在本地，隐私至上. 提供五层记忆架构：热内存（SESSION-STATE.md）、温存储（LanceDB 向量）、冷存储（Git-Notes）、 精选归档（MEMORY.md + daily/）、本地 Embedding（Ollama）. 支持 WAL 协议写前日志、自动召回相关上下文、智能捕获重要信息.特别适合对数据隐私有高要求的环境. 对比云端 API 方案，本地 Embedding 免费、低延迟、可离线、数据不出域.
Локальная система векторной памяти на основе LanceDB и чистого JavaScript Embedding, без внешних API или нативных модулей.
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "summary" - заметка
frontmatter-keyнеизвестное поле фронтматтера "tools" - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage" - заметка
frontmatter-keyнеизвестное поле фронтматтера "suggested_price" - заметка
frontmatter-keyнеизвестное поле фронтматтера "pricing_tier" - заметка
frontmatter-keyнеизвестное поле фронтматтера "pricing_model"
Процессный рейтинг: все десять параметров 53/100
- 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
- 100Инструменты и файлы. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 20
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2141 токенов
- 100Повторный запуск. Изменяющих операций нет
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
- -2Ссылки на localhost: у другого пользователя не заработает
- +2Инструкции на одном языке
- +3Длина description 320 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 15 заголовков
- +3Пошаговые инструкции: 20 пунктов
- +4Есть примеры (3 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.