SKILLEMALL.ai
EN Войти

BC HyperStack — Agent Provenance Graph for Verifiable AI

Граф происхождения агента для ИИ-агентов — единственный слой памяти, где агенты могут доказать, что они знали, отследить, почему они это знали, и координировать действия без участия LLM. Факты с временными метками. Проверяемые решения. Детерминированное доверие. Спросите «какие блоки развернуть?» → точный типизированный ответ. Ветвление в стиле Git. Три уровня памяти: рабочая/семантическая/эпизодическая. Воспроизведение решений с обнаружением предвзятости ретроспективного взгляда. Обнаружение конфликтов. Каскад устаревания. Взвешенные по полезности ребра, которые самосовершенствуются на основе обратной связи от агента. Идентификация агента + оценка доверия. Путешествие во времени в любое прошлое состояние графа. Работает в Cursor, Claude Desktop, LangGraph, любом клиенте MCP. Возможность самостоятельного хостинга. $0 за операцию в любом масштабе.

машинный переводПоказать оригиналСкрыть оригинал«The Agent Provenance Graph for AI agents — the only memory layer where…»

The Agent Provenance Graph for AI agents — the only memory layer where agents can prove what they knew, trace why they knew it, and coordinate without an LLM in the loop. Timestamped facts. Auditable decisions. Deterministic trust. Ask 'what blocks deploy?' → exact typed answer. Git-style branching. Three memory surfaces: working/semantic/episodic. Decision replay with hindsight bias detection. Conflict detection. Staleness cascade. Utility-weighted edges that self-improve from agent feedback. Agent identity + trust scoring. Time-travel to any past graph state. Works in Cursor, Claude Desktop, LangGraph, any MCP client. Self-hostable. $0 per operation at any scale.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 2 файла тело ≈ 7 920 токенов Открыть источникgithub.com↗ проанализирован 35 ч назад

Граф происхождения агента для ИИ-агентов — единственный слой памяти, где агенты могут доказать, что они знали, отследить, почему они это знали, и…

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки, согласованность

АнализаторStripeИИ и агентытип 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
85/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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 · 2

✓ Критических и высоких находок нет

Средние и низкие: 2

✓ Guard не нашёл подозрительного поведения. 2 совпадений — это строки атак, процитированные в документации самого скилла по безопасности.

Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение body-long тело SKILL.md ≈ 7920 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

Процессный рейтинг: все десять параметров 51/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 40Согласованность. Имя во frontmatter (HyperStack — Agent Provenance Graph for Verifiable AI) не совпадает с папкой (hyperstack)
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (bash, web, python, node), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 7920 токенов
  • 100Шаги. Шагов: 66
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 20. 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
  • -2Ссылки на localhost: у другого пользователя не заработает
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 673 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 63 заголовков
  • +3Пошаговые инструкции: 66 пунктов
  • +4Есть примеры (36 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.