BD memora-knowledge-graph
Memora — Персональная база знаний с ИИ и интерактивной визуализацией графа знаний. Локальная система для управления, поиска и запросов ваших личных знаний с использованием векторного поиска, гибридного поиска и интеллектуальных ответов на основе LLM. Функции: загрузка/обработка документов, семантический поиск, сеансы чата с ИИ, веб-скрейпинг и визуализация графа знаний в стиле Obsidian с силовым направленным размещением. Используйте, когда: пользователь хочет создать персональную базу знаний, управлять документами, выполнять семантический поиск, вести беседы с ИИ на основе своих знаний, визуализировать связи документов/сущностей или интегрировать управление знаниями в свой рабочий процесс OpenClaw.
машинный переводПоказать оригиналСкрыть оригинал«Memora — Personal AI Knowledge Base with interactive knowledge graph v…»
Memora — Personal AI Knowledge Base with interactive knowledge graph visualization. A self-hosted system for managing, retrieving, and querying your personal knowledge assets using vector search, hybrid retrieval, and LLM-driven intelligent Q&A. Features document upload/processing, semantic search, AI chat sessions, web scraping, and Obsidian-style knowledge graph visualization with force-directed layout. Use when: user wants to build a personal knowledge base, manage documents, perform semantic search, have AI-powered conversations about their knowledge, visualize document/entity relationships, or integrate knowledge management into their OpenClaw workflow.
Memora — Персональная база знаний с ИИ и интерактивной визуализацией графа знаний.
Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».
Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.
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 · 3
✓ Критических и высоких находок нет
Средние и низкие: 3
-
средняя Утечка данных
net-credential-useSKILL.md:286Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)curl -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
-
низкая Утечка данных
read-dotenvSKILL.md:117Чтение файла .envcp .env.example .env
-
низкая Утечка данных
read-dotenvSKILL.md:283Чтение файла .envcat .env | grep API_KEY
Просканировано файлов: 3. 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 41/100
- 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
- 30Повторный запуск. Изменяющих операций: 15, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (memora-knowledge-graph) не совпадает с папкой (memora-knowledge-base)
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (git, python, node), но во frontmatter они не объявлены
- 85Шаги. Шагов: 95, расплывчатых формулировок: 1
- 100Стоимость исполнения. Тело инструкции 2831 токенов
- low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
- low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели
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
- -219 эмодзи в инструкциях: шум для модели
- -31 из 1 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 666 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 39 заголовков
- +3Пошаговые инструкции: 95 пунктов
- +4Есть примеры (8 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.