Skip to main content

program-ai-memory-learning-maintenance

Especialista na manutenção, consolidação e curadoria da base de conhecimento do ai-memory, cobrindo consolidação de observações em wiki, auto-aprimoramento de sessões, auditoria (linting), expurgo de páginas frias e processamento de feedback.

Zur Installation springen

Quellinformationen

Repository
dandgabr/skills
Letzte Quellaktivität
11. September 2026 um 03:58
Erkannte Sprache von SKILL.md
Portugiesisch
Sterne
10
Forks
0

Installationsoptionen

Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.

Quelldateien prüfen

Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.

Datei-Explorer
5 Dateien

SKILL.md wird angezeigt

SKILL.md
Quellanweisungen · Schreibgeschützte Vorschau
name
program-ai-memory-learning-maintenance
description
Especialista na manutenção, consolidação e curadoria da base de conhecimento do ai-memory, cobrindo consolidação de observações em wiki, auto-aprimoramento de sessões, auditoria (linting), expurgo de páginas frias e processamento de feedback.
metadata
{"type":"management","phase":"maintenance","tools":["ai-memory"]}
<!-- ai-memory-managed: routing-skill --> # ai-memory Learning, Consolidation & Knowledge Maintenance Esta skill orienta os procedimentos de governança, consolidação e limpeza da base de conhecimento do [ai-memory](https://github.com/akitaonrails/ai-memory). Permite transformar observações brutas de sessões anteriores em conhecimento estruturado, identificar contradições e eliminar dados obsoletos. --- ## 🧰 Ferramentas deste Cluster - `memory_consolidate`: Compila observações brutas de uma sessão concluída em páginas temáticas de wiki sob demanda. - `memory_auto_improve`: Revisa sessões recentes em busca de lições aprendidas e propostas de regras duráveis para o projeto. - `memory_lint`: Audita a base de conhecimento do projeto em busca de contradições, regras defasadas e páginas marcadas via feedback. - `memory_forget_sweep`: Realiza limpeza de páginas com TTL expirado e decaimento de páginas episódicas não fixadas (*dry-run* suportado). - `memory_feedback`: Registra sinalização de páginas úteis (`helpful`), inúteis (`not_helpful`), defasadas (`stale`) ou erradas (`wrong`). --- ## 🧹 Práticas de Manutenção e Curadoria 1. **Tratamento de Páginas Sinalizadas (`feedback_flagged`)**: - Páginas que receberam sinalização de `stale` ou `wrong` aparecem destacadas no relatório de `memory_lint`. Priorize atualizar o conteúdo da página para restaurar sua precisão técnica; atualizar o documento limpa a flag automaticamente. 2. **Auto-Aprimoramento e Aprendizado Contínuo**: - Ao final de tarefas complexas ou ciclos de desenvolvimento, acione `memory_auto_improve` para extrair lições duráveis aprendidas durante a execução. 3. **Segurança e Prévia (Dry-Run)**: - Para operações de expurgo com `memory_forget_sweep`, execute sempre primeiro com simulação (*dry run*) para inspecionar o que seria afetado antes de confirmar a exclusão.
Auf GitHub ansehen