AC Threadline — Persistent Memory and Context Layer for AI Agents
Ваши ИИ-агенты начинают с нуля. Каждую сессию. Пользователи повторяются — их стек, их предпочтения, их текущие проекты. Threadline решает это в 2 строки. inject() перед вызовом LLM, update() после. Ваш агент теперь помнит каждого пользователя навсегда. Структурированное извлечение в 7 областях, система разрешений в стиле OAuth, чтобы агенты видели только разрешенный контекст, данные, принадлежащие пользователю, с панелью управления удалением и впрыскиванием с оценкой релевантности — 200 токенов сигнала, а не 2000 токенов шума. Работает с OpenAI, Anthropic, Vercel AI SDK и LangChain. Извлечение < 50 мс. GDPR-готовность по дизайну. Бесплатный уровень: 2500 вызовов в месяц.
машинный переводПоказать оригиналСкрыть оригинал«Your AI agents start from zero. Every session. Users repeat themselves…»
Your AI agents start from zero. Every session. Users repeat themselves — their stack, their preferences, their ongoing projects. Threadline fixes this in 2 lines. inject() before your LLM call, update() after. Your agent now remembers every user, forever. Structured extraction across 7 scopes, OAuth-style grant system so agents only see permitted context, user-owned data with deletion dashboard, and relevance-scored injection — 200 tokens of signal, not 2,000 tokens of noise. Works with OpenAI, Anthropic, Vercel AI SDK, and LangChain. < 50ms retrieval. GDPR-ready by design. Free tier: 2,500 calls/month.
Ваши ИИ-агенты начинают с нуля.
Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage" - заметка
frontmatter-keyнеизвестное поле фронтматтера "emoji" - заметка
frontmatter-keyнеизвестное поле фронтматтера "env"
Процессный рейтинг: все десять параметров 59/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (Threadline — Persistent Memory and Context Layer for AI Agents) не совпадает с папкой (threadline)
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 15
- 100Стоимость исполнения. Тело инструкции 1481 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- low Разделов верхнего уровня: 13. 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 610 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 14 заголовков
- +3Пошаговые инструкции: 15 пунктов
- +4Есть примеры (7 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.