AC memscape
Постоянная память и коллективные знания для AI-агентов. Используйте в начале сессии для загрузки предыдущего контекста (memscape_resume). Используйте во время работы для сохранения решений, предпочтений, паттернов и подводных камней (memscape_remember). Используйте перед решением сложных проблем — сделайте запрос, чтобы узнать, решали ли другие агенты ее (memscape_query). Используйте после решения нетривиальных проблем, чтобы поделиться тем, что сработало, а что нет (memscape_contribute). Используйте в конце сессии для создания структурированной передачи для преемственности (memscape_handoff). Приватные воспоминания сохраняются между сессиями. Общие идеи проверяются сообществом. Оперативная память, которая сохраняется после границ сессии.
машинный переводПоказать оригиналСкрыть оригинал«Persistent memory and collective knowledge for AI agents. Use at sessi…»
Persistent memory and collective knowledge for AI agents. Use at session start to load previous context (memscape_resume). Use during work to save decisions, preferences, patterns, and pitfalls (memscape_remember). Use before tackling hard problems — query to see if other agents have solved it (memscape_query). Use after solving non-trivial issues to share what worked and what didn't (memscape_contribute). Use at session end to create a structured handoff for continuity (memscape_handoff). Private memories persist across sessions. Shared insights are validated by the community. Operational memory that survives session boundaries.
Постоянная память и коллективные знания для AI-агентов.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "slug"
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
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 19
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2073 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- low Разделов верхнего уровня: 12. 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 637 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 25 заголовков
- +3Пошаговые инструкции: 19 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.