SKILLEMALL.ai
EN Войти

BC tag-memory

Система маркированной долгосрочной памяти. Сохраняет воспоминания, когда пользователь говорит «Запомни…», ищет воспоминания, когда пользователь спрашивает «Я раньше…», периодически генерирует сводки и запрашивает подтверждение, активно проверяет правильность воспоминаний. Поддерживает теги (#предпочтения, #решения, #проекты и т. д.), поиск BM25, поиск по диапазону дат, механизм человеческого контроля.

машинный переводПоказать оригиналСкрыть оригинал«标签化长期记忆系统。当用户说"记住..."时存储记忆，当用户问"我之前..."时查询记忆，定期生成总结并询问确认，主动核对记忆正确性。支持标…»

标签化长期记忆系统。当用户说"记住..."时存储记忆，当用户问"我之前..."时查询记忆，定期生成总结并询问确认，主动核对记忆正确性。支持标签(#偏好、#决定、#项目等)、BM25搜索、时间范围查询、人类审核机制。

ClawHub Agent Skills автор: luckyboybs v1.0.0 MIT-0 16 файлов · 1 скрипт тело ≈ 768 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Система маркированной долгосрочной памяти.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИнфраструктуратип 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
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 16. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 53/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 12
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 768 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 107: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 17 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +4Есть примеры (16 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
This is a mostly coherent local memory tool, but it should be reviewed because it persistently stores user memories, can expose them in bulk, ships with prefilled sample memory data, and has mismatched runtime metadata.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.