CD assemble-workflow-learnings
Обращайтесь к долговременной памяти перед сборкой или исправлением рабочего процесса ComfyUI, и особенно перед повторными попытками устранения сбоев (повторяющиеся вызовы инструментов для исправления одной и той же подпроблемы сборки или повторяющаяся ошибка проверки). Каждый урок из предыдущих сессий по проблеме→решению хранится в долговременной памяти (локальный FAISS). Вызовите инструмент memory_read с запросом, называющим проблему — например, "CLIPLoader path validation", "apply_brainbriefing null prompt node", "Kling multi-shot duration limit", "UNETLoader Qwen weight_dtype" — чтобы получить проверенные исправления. После устранения новой повторяющейся ошибки сохраните урок из одного предложения с помощью memory_write.
машинный переводПоказать оригиналСкрыть оригинал«Consult long-term memory before assembling or patching a ComfyUI workf…»
Consult long-term memory before assembling or patching a ComfyUI workflow, and especially before retrying a failing pattern (repeated tool calls to fix the same assembly sub-problem, or the same validation error recurring). Every prior session's problem→solution lessons live in long-term memory (local FAISS). Call the memory_read tool with a query naming the problem — e.g. "CLIPLoader path validation", "apply_brainbriefing null prompt node", "Kling multi-shot duration limit", "UNETLoader Qwen weight_dtype" — to retrieve proven fixes. After resolving a new recurring failure, persist a one-sentence lesson with memory_write.
Обращайтесь к долговременной памяти перед сборкой или исправлением рабочего процесса ComfyUI, и особенно перед повторными попытками устранения сбоев…
Как процесс D 44/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 44/100
- 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
- 50Шаги. Шагов: 2
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 219 токенов
- 100Повторный запуск. Изменяющих операций нет
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +4Структура: 0 заголовков, инструкции сложно сканировать
- +3Нет пошаговых инструкций или чек-листа
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 4 примера фраз-триггеров в кавычках
- +3Длина description 629 символов: достаточно сигнала, не съедает бюджет
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.