BC neurocache-pro
Биоинспирированная система ассоциативной памяти для AI-агентов, решающая три основные проблемы: "векторный поиск не находит концептуальных связей, противоречия в памяти не обрабатываются автоматически, раздувание графа снижает производительность". Основана на распространяющейся активации вместо поиска по ключевым словам/векторам, память формирует нейронный граф, нейроны связаны 20 типами синапсов. Основные возможности включают ассоциативный поиск с распространяющейся активацией (нахождение связанных воспоминаний через обход графа, даже без совпадения ключевых слов/embedding), обучение Хебба (совместно используемые воспоминания автоматически усиливают связи), 20 типов синапсов (временные/причинно-следственные/семантические/эмоциональные/конфликтные), жизненный цикл затухания Эббингауза, автоматическое обнаружение и снижение веса противоречий, глубокий многоуровневый поиск (компромисс между скоростью/глубиной 0-3 уровня), снимки и откат версии мозга, перенос знаний между проектами путем трансплантации мозга. Применимые сценарии: сложные запросы, требующие причинно-следственного вывода, обнаружение междоменных концептуальных связей, накопление знаний по долгосрочным проектам, автоматическое выявление противоречивой информации, базы знаний, требующие версионированного управления, повторное использование знаний между проектами. Дифференциация: в отличие от векторного поиска, который находит только похожие документы, эта система находит связанные концептуальные воспоминания через обход графа (даже без совпадения ключевых слов); обнаружение противоречий автоматически выявляет противоречивую информацию и снижает вес устаревших воспоминаний; многоуровневый поиск позволяет пользователю контролировать компромисс между скоростью и глубиной; снимки версий поддерживают откат. Чисто алгоритмическая реализация без зависимости от LLM снижает затраты. Ключевые слова для триггера: ассоциативная память, нейронная память, распространяющаяся активация, обучение Хебба, граф знаний, обнаружение противоречий, nmem, neural memory, associative
машинный переводПоказать оригиналСкрыть оригинал«面向 AI Agent 的生物启发式联想记忆系统，直击"向量检索找不到概念关联、记忆矛盾无法自动处理、图谱膨胀性能下降"三大痛点。基于扩散激…»
面向 AI Agent 的生物启发式联想记忆系统，直击"向量检索找不到概念关联、记忆矛盾无法自动处理、图谱膨胀性能下降"三大痛点。基于扩散激活（spreading activation）替代关键词/向量搜索，记忆形成神经图谱，神经元经 20 种类型化突触连接。 核心能力包括扩散激活联想检索（通过图遍历找到概念相关记忆，即使无关键词/embedding 重叠）、赫布学习（共访问记忆自动强化连接）、20 种突触类型（时间/因果/语义/情感/冲突）、艾宾浩斯衰减生命周期、矛盾自动检测与降权、深度分级检索（0-3 级速度/深度权衡）、大脑版本快照与回滚、大脑移植跨项目知识迁移。 适用场景：需要因果链推理的复杂查询、跨领域概念关联发现、长期项目知识沉淀、冲突信息自动识别、需要版本化管理的记忆库、跨项目知识复用。 差异化：相比向量检索只能找相似文档，本系统通过图遍历找到概念关联记忆（即使无关键词重叠）；矛盾检测自动识别冲突信息并降权过时记忆；深度分级让用户控制速度/深度权衡；版本快照支持回滚。纯算法实现零 LLM 依赖，降低成本。 触发关键词：联想记忆、神经记忆、扩散激活、赫布学习、知识图谱、矛盾检测、nmem、neural memory、associative
Биоинспирированная система ассоциативной памяти для AI-агентов, решающая три основные проблемы: "векторный поиск не находит концептуальных связей…
Как процесс C 53/100 · Есть пробелы — 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: 2. 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") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "summary" - заметка
frontmatter-keyнеизвестное поле фронтматтера "tools"
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. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 12
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1903 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 14. 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- -5В тексте остались TODO / заглушки
- +2Инструкции на одном языке
- +3Длина description 537 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 37 заголовков
- +3Пошаговые инструкции: 12 пунктов
- +4Есть примеры (13 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.