SKILLEMALL.ai
GitHub ↗ EN Войти

AC agentmemo

agentMemo — это сервер Semantic Memory Mesh для ИИ-агентов. Используйте этот навык, когда вам нужно хранить, искать или извлекать память агента между сессиями с семантическим пониманием. Активируется, когда: (1) агенту требуется постоянная память между разговорами, (2) многоагентным системам требуются общие пространства имен с изоляцией RBAC, (3) требуется гибридный семантический поиск + поиск по ключевым словам по сохраненному контексту, (4) требуется версионированная память с возможностью отката, (5) желательна потоковая передача событий в реальном времени (SSE/WebSocket) между агентами, или (6) требуются пакетные операции с памятью. Построен на FastAPI + SQLite + HNSW (384-разрядные вложения all-MiniLM-L6-v2). Требуется python3/pip, переменная среды AGENTMEMO_ADMIN_KEY и установка pip -r requirements.txt. Первый запуск загрузит около 90 МБ модели с HuggingFace.

машинный переводПоказать оригиналСкрыть оригинал«agentMemo is a Semantic Memory Mesh server for AI agents. Use this ski…»

agentMemo is a Semantic Memory Mesh server for AI agents. Use this skill when you need to store, search, or retrieve agent memory across sessions with semantic understanding. Triggers when: (1) an agent needs persistent memory between conversations, (2) multi-agent systems need shared namespaces with RBAC isolation, (3) hybrid semantic+keyword search over stored context is required, (4) versioned memory with rollback is needed, (5) real-time event streaming (SSE/WebSocket) between agents is desired, or (6) batch memory operations are needed. Built on FastAPI + SQLite + HNSW (384-dim all-MiniLM-L6-v2 embeddings). Requires python3/pip, AGENTMEMO_ADMIN_KEY env var, and pip install -r requirements.txt. First run downloads ~90MB model from HuggingFace.

ClawHub Agent Skills автор: Karl Yang v3.2.2 MIT-0 26 файлов · 2 скрипта тело ≈ 1 075 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

agentMemo — это сервер Semantic Memory Mesh для ИИ-агентов.

Как процесс C 57/100 · Есть пробелы — слабые места: результат и критерий готовности, согласованность, повторный запуск

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

    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 · 2

    ✓ Критических и высоких находок нет

    Средние и низкие: 2
    • низкая Утечка данных read-dotenv install.sh:63
      Чтение файла .env (определение детектора / чёрного списка)
      echo "  env \$(cat .env | xargs) .venv/bin/python server.py"
      детектор
    • низкая Утечка данных read-dotenv scripts/install.sh:63
      Чтение файла .env (определение детектора / чёрного списка)
      echo "  env \$(cat .env | xargs) .venv/bin/python server.py"
      детектор

    Просканировано файлов: 26. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 57/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (agentmemo) не совпадает с папкой (agentmemo-karl)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 13
    • 100Стоимость исполнения. Тело инструкции 1075 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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
    • -31 из 1 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 757 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 14 заголовков
    • +3Пошаговые инструкции: 13 пунктов
    • +4Есть примеры (7 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

    Внешние проверки

    ClawHub: suspicious
    agentMemo is a plausible persistent memory server, but it needs Review because its RBAC and network behavior do not fully match its security claims.
    LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.