SKILLEMALL.ai

AD bagua-memory

Система памяти Багуа (Bagua Memory) - фреймворк управления памятью AI Agent. Классифицирует и хранит память по восьми измерениям (правила/знания/горячая память/решения/события/связи/архивы/предпочтения), используя автоматическое затухание жизненного цикла и ассоциативный поиск по связям Багуа. Сценарии использования: (1) Создание структурированной системы долговременной памяти для AI Agent (2) Управление файлами памяти в рабочей области (каталог memory/) (3) Запись, архивирование, сжатие, поиск памяти (4) Когда пользователь упоминает "система памяти", "bagua", "Багуа", "долговременная память", "архивировать память" (5) Когда необходимо извлечь ключевую информацию из диалога и сохранить ее на постоянной основе (6) Регулярное обслуживание и организация файлов памяти.

машинный переводПоказать оригиналСкрыть оригинал«八卦记忆系统 (Bagua Memory) - AI Agent 记忆管理框架。 将记忆按八个维度(规则/知识/热记忆/决策/事件/关联/归…»

八卦记忆系统 (Bagua Memory) - AI Agent 记忆管理框架。 将记忆按八个维度(规则/知识/热记忆/决策/事件/关联/归档/偏好)分类存储, 通过生命周期自动衰减和卦变关联联想检索。 使用场景: (1) 为 AI Agent 建立结构化的长期记忆系统 (2) 管理 workspace 中的记忆文件(memory/ 目录) (3) 记忆的写入、归档、压缩、检索 (4) 用户提到"记忆系统"、"bagua"、"八卦"、"长期记忆"、"归档记忆" (5) 需要从对话中提取关键信息并持久化存储 (6) 定期维护和整理记忆文件

ClawHub Agent Skills автор: 良鼠 v1.0.0 MIT-0 6 файлов · 1 скрипт тело ≈ 310 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Система памяти Багуа (Bagua Memory) - фреймворк управления памятью AI Agent.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИИ и агентыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
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: 6. 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 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 13
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 310 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 271 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 8 заголовков
  • +3Пошаговые инструкции: 13 пунктов
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: suspicious
This looks like a legitimate local memory framework, but it automatically installs persistent agent rules and stores conversation-derived data without enough user-control safeguards.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.