AC learning-loop
Проактивный движок обучения, который делает вашего агента умнее каждый день. Объединяет ежедневное ведение журнала, отслеживание решений по категориям, извлечение уроков с управлением жизненным циклом (АКТИВНЫЙ → ПРОВЕРЕННЫЙ → АРХИВИРОВАННЫЙ), автоматическое распределение памяти по уровням, ночное размышление, распределенные цепочки обзора, отслеживание исправлений с продвижением и границы безопасности. В отличие от реактивных систем, которые учатся только при исправлении, Learning Loop самостоятельно размышляет, обобщает и накапливает знания. Используйте, когда: настраиваете нового агента и хотите, чтобы он учился со временем; вам нужна структурированная система отслеживания решений; вам нужна ежедневная система размышлений/ведения журнала; вы хотите, чтобы уроки обобщались для разных проблем; агент продолжает повторять ошибки; вы хотите автоматическую организацию памяти; вы хотите, чтобы ваш агент становился лучше в принятии определенных типов решений. Нулевые зависимости. Работает сразу после установки.
машинный переводПоказать оригиналСкрыть оригинал«Proactive learning engine that makes your agent smarter every day. Com…»
Proactive learning engine that makes your agent smarter every day. Combines daily journaling, decision tracking with categories, lesson extraction with lifecycle management (ACTIVE → VALIDATED → ARCHIVED), automatic memory tiering, nightly reflection, staggered review chains, correction tracking with promotion, and security boundaries. Unlike reactive systems that only learn when corrected, Learning Loop reflects, generalizes, and compounds knowledge autonomously. Use when: setting up a new agent and want it to learn over time; want structured decision tracking; need a daily reflection/journaling system; want lessons that generalize across problems; agent keeps repeating mistakes; want automatic memory organization; want your agent to get better at specific types of decisions. Zero dependencies. Works immediately after install.
Проактивный движок обучения, который делает вашего агента умнее каждый день.
Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 54/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (learning-loop) не совпадает с папкой (clawmage-learning-loop)
- 60Ошибки и развилки. Развилок: 2
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 62
- 100Стоимость исполнения. Тело инструкции 2375 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
- 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)
- +3Длина description 839: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 23 заголовков
- +3Пошаговые инструкции: 62 пунктов
- +4Есть примеры (5 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.