SKILLEMALL.ai

AC cognition

Практическая архитектура памяти для агентов OpenClaw. Используйте, когда агенту нужно запоминать обязательства между сессиями, извлекать предыдущий контекст, предотвращать повторные ошибки, безопасно подготавливать обновления долговременной памяти, компилировать многоразовые процедуры или улучшать гигиену памяти с течением времени. Поддерживает 3-уровневый путь внедрения: основной, рекомендуемый и продвинутый.

машинный переводПоказать оригиналСкрыть оригинал«Practical memory architecture for OpenClaw agents. Use when an agent n…»

Practical memory architecture for OpenClaw agents. Use when an agent needs to remember commitments across sessions, retrieve prior context, prevent repeat mistakes, stage durable-memory updates safely, compile reusable procedures, or improve memory hygiene over time. Supports a 3-tier adoption path: Core, Recommended, and Advanced.

ClawHub Agent Skills автор: Don Zurbrick v2.0.1 MIT-0 15 файлов · 1 скрипт тело ≈ 864 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Практическая архитектура памяти для агентов OpenClaw.

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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 · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 15. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Practical memory architecture for OpenClaw agents. Use when an age… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении

    Процессный рейтинг: все десять параметров 62/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 55Ошибки и развилки. Развилок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 46
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 864 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • 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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 333 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 46 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (6 из 6)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.

    Внешние проверки

    ClawHub: clean
    This is a transparent local memory scaffold for agents, with expected persistent file writes but no evidence of hidden network access, credential collection, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.