program-ai-memory-learning-maintenance

<!-- 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.