- 📄 SKILL.md
icarus-daedalus
您可以访问称为伊卡洛斯内存协议的共享内存系统。它将内存以 Markdown 文件的形式存储在 ~/fabric/ 中。其他平台上的其他代理可以读取您所写的内容。你可以阅读他们写的内容。
您可以访问称为伊卡洛斯内存协议的共享内存系统。它将内存以 Markdown 文件的形式存储在 ~/fabric/ 中。其他平台上的其他代理可以读取您所写的内容。你可以阅读他们写的内容。
Distill an ex-partner into an AI Skill. Import WeChat history, photos, social media posts, generate Relationship Memory + Persona, with continuous evolution. | 把前任蒸馏成 AI Skill,导入微信聊天记录、照片、朋友圈,生成 Relationship Memory + Persona,支持持续进化。
OpenClaw 代理的认知记忆架构 - 周期性的梦境循环,将日常日志整合到结构化的长期记忆中,并具有重要性评分、见解和推送通知。使用时:用户要求“自动记忆”、“梦想”、“自动梦想”、“记忆整合”、“记忆仪表板”。由 MyClaw.ai (https://myclaw.ai) 提供支持。
如何使用 Freelance 工作流程执行和内存。 Claude 在使用图形工作流程、遍历、内存工具或 Freelance MCP 工具可用时应该阅读本文。
具有 5 级压缩树的 3 层代理内存系统。开放爪版本。定义会话启动协议、任务结束检查点和内存文件管理。每次会议都必须遵循。
ClawMem 代理参考 — 设备上混合内存系统的详细操作指南。使用场合:设置集合/索引/嵌入、检索故障排除、调整查询优化(4 个杠杆)、了解管道行为、管理内存生命周期(固定/暂停/忘记)、构建图表或基本工具路由之外的任何 ClawMem 操作。
Ogham 共享内存的管理和维护工作流程。当用户想要清理记忆、查看知识图、检查记忆统计数据、导出大脑、在切换提供商后重新嵌入记忆或回填链接时使用。触发“清理我的记忆”、“记忆统计”、“多少记忆”、“导出我的大脑”、“导出记忆”、“查看知识图”、“重新嵌入”、“链接取消链接”、“回填链接”、“记忆健康”、“奥格姆统计”、“清理过期”、“压缩旧记忆”、“压缩记忆”或任何针对奥格姆的管理/维护请求。需要连接 Ogham MCP 服务器。 --- # Ogham 维护 您处理 Ogham 共享内存的管理任务。其中大部分都是不频繁的操作——提供商切换、批量清理、运行状况检查。 ## 可用操作 ### 健康检查 如果用户报告问题,请先运行“health_check”。 它测试数据库连接、嵌入提供程序和配置。清楚地报告发现的内容 - 如果有问题,请说明原因并提出修复建议。 ### 统计概述 运行 `get_stats` 和 `list_profiles` 向用户提供其内存的图片: - 总内存和按配置文件细分 - 热门来源(客户端正在存储的) - 热门标签(哪些类别占主导地位) - 如果用户询问性能,则通过 `get_cache_stats` 缓存统计数据 将其呈现为简洁的摘要,而不是原始 JSON。 ### 清理过期内存 1. 运行 `get_stats` 以显示存在多少内存 2. 检查是否有任何配置文件设置了 TTL(此信息来自 `list_profiles`) 3. 如果有过期内存,请在运行 `cleanup_expired` 之前告诉用户有多少内存 4. 仅在与用户确认后才运行“cleanup_expired”——删除是永久性的 ### Export 以用户想要的格式(JSON 或 Markdown)运行“export_profile”。告诉他们输出的去向以及如何使用它。如果他们想要导出特定的配置文件,请先使用“switch_profile”切换到该配置文件,导出,然后切换回来。 ### 重新嵌入所有记忆 切换嵌入后需要这个
会话结束时自动清除内存并进行切换。 /盒
通过 KIP(知识交互协议)为 AI 代理提供基于图形的持久内存。提供检索优先内存操作 (KQL)、持久写入 (KML)、模式发现 (META) 和内存卫生模式。每当代理需要查阅或更新持久内存时使用,特别是用于:记住用户首选项/身份/关系、存储对话事件、回答依赖于过去会话的问题以及涉及“execute_kip”的任何任务。
桥接审计跟踪和内存帧以进行全面的会话记录。希腊语:ζ (zeta) — 决策轨迹,η (eta) — 证明存储。在记录审计会话、创建内存束、将审计跟踪链接到内存或使用内存存档完成会话校样时使用。
DNA 记忆系统 - 让 AI Agent 像人脑一样学习和成长。 三层记忆架构(工作/短期/长期)+ 主动遗忘 + 自动归纳 + 反思循环 + 记忆关联。 激活场景:用户提到"记忆"、"学习"、"进化"、"成长"、"记住"、"回顾"、"反思"。 --- # DNA Memory - DNA 记忆系统 > 让 Agent 不只是记住,而是真正学会。 ## 核心理念 人脑不是硬盘,不会无差别存储所有信息。人脑会: - **遗忘**不重要的 - **强化**反复出现的 - **归纳**零散信息为模式 - **反思**过去的成功和失败 DNA Memory 模拟这个过程,让 Agent 真正"进化"。 --- ## 三层记忆架构 ``` ┌─────────────────────────────────────────────────┐ │ 工作记忆 (Working Memory) │ │ - 当前会话的临时信息 │ │ - 会话结束后自动筛选 │ │ - 文件:memory/working.json │ └─────────────────────────────────────────────────┘ ↓ 筛选 ┌─────────────────────────────────────────────────┐ │ 短期记忆 (Short-term Memory) │ │ - 近7天的重要信息 │ │ - 带衰减权重,不访问会逐渐遗忘 │ │ - 文件:memory/short_term.json │ └─────────────────────────────────────────────────┘ ↓ 巩固 ┌─────────────────────────────────────────────────┐ │ 长期记忆 (Long-term Memory) │ │ - 经过验证的持久知识 │ │ - 归纳后的认知模式 │ │ - 文件:memory/long_term.json + patterns.md │ └─────────────────────────────────────────────────┘ ``` --- ## 记忆类型 | 类型 | 说明 | 示例 | |------|------|------| | `fact` | 事实信息 | "Andy 的微信是 AIPMAndy" | | `preference` | 用户偏好 | "Andy 喜欢简洁直接的回复" | | `skill` | 学到的技能 | "飞书 API 限流时要分段请求" | | `error` | 犯过的错误 | "不要用 rm,用 trash" | | `pattern` | 归纳的模式 | "推送 GitHub 前先检查网络" | | `insight ` | 深层洞察 | "Andy 更看重效率而非完美" | --- ## 核心操作 ### 1. 记录 (Remember) ```bash python3 scripts/evolve.py remember \ --type fact \ --content "Andy 的 GitHub 账号是 AIPMAndy" \ --source "用户告知" \ --importance 0.8 ``` ### 2. 回忆 (Recall) ```bash python3 scripts/evolve.py recall "GitHub 账号" ``` 返回相关记忆,按相关度和重要性排序。 ### 3. 反思 (Reflect) ```bash python3 scripts/evolve.py reflect ``` 触发反思循环: 1. 回顾近期记忆 2. 识别重复模式 3. 归纳成认知模式 4. 更新长期记忆 ### 4. 遗忘 (Forget) ```bash python3 scripts/evolve.py decay ``` 执行遗忘机制: - 7天未访问的短期记忆权重衰减 - 权重低于阈值的记忆被清理 - 重要记忆不会被遗忘
为LLM代理人提供长期记忆服务。通过三个操作提供持久的结构化内存(认知关联):形成(将对话编码到内存中)、调用(使用自然语言查询内存)和维护(巩固和修剪内存)。
skill-sample/ ├─ SKILL.md ⭐ 必备:技能说明入口:用途 / 安装 / 用法 / 示例 / 依赖 ├─ manifest.sample.json ⭐ 推荐:机器可读元信息:用于索引 / 校验 / 自动填表 ├─ LICENSE.sample ⭐ 推荐:授权与使用范围:开源 / 限制 / 商用说明 ├─ scripts/ │ └─ example-run.py ✅ 可运行示例脚本:让用户导入后立刻验证“能用” ├─ assets/ │ ├─ example-formatting-guide.md 🧩 输出规范:统一排版 / 结构 / 风格 │ └─ example-template.tex 🧩 模板资源:报告/文档模板,快速生成标准产物 └─ references/ 🧩 参考资料库:方法论 / 结构指南 / 最佳实践 ├─ example-ref-structure.md 🧩 结构参考:章节框架 / 目录组织 ├─ example-ref-analysis.md 🧩 分析参考:常用套路 / 指标口径 └─ example-ref-visuals.md 🧩 视觉参考:图表规范 / 可视化建议
更多 Agent Skills 规范 详见Anthropic官方文档:https://agentskills.io/home
├─ ⭐ 必备:YAML Frontmatter(必须存在,放在文件最顶部) │ ├─ ⭐ name :技能唯一名;须符合命名规则,并建议与目录名一致 │ └─ ⭐ description :技能描述;建议包含触发关键词(便于检索/匹配) │ ├─ ✅ 可选:Frontmatter 扩展字段(规范允许,但非强制) │ ├─ ✅ license :许可证标识(也可配合单独 LICENSE 文件) │ ├─ ✅ compatibility :兼容性/运行环境要求(仅在确实有限制时写) │ ├─ ✅ metadata :任意键值对(如 author/version/source_url 等) │ └─ 🧩 allowed-tools :允许工具白名单(规范标注为 experimental) │ └─ ✅ 推荐:Markdown 正文(自由格式,但建议按“渐进式披露”组织) ├─ ✅ Overview / Purpose :一句话说明目标 + 不做什么(边界) ├─ ✅ When to use :触发条件/适用场景(让模型/用户知道何时调用) ├─ ✅ Step-by-step :步骤化流程(最好 3–6 步,保证可复现) ├─ ✅ Inputs / Outputs :输入格式、输出格式、产物位置(文件/文本/JSON等) ├─ ✅ Examples :至少 1 个可复制示例(越“能跑”越好) ├─ 🧩 Files & References :引用assets/、references/、scripts/(相对路径) ├─ 🧩 Edge cases :边界情况/限制(大文件、速率限制、失败回退) ├─ 🧩 Troubleshooting :常见错误与解决(依赖缺失、路径不对、权限问题) └─ 🧩 Safety notes :涉及联网/写文件/执行命令时给出提醒(建议写)
在 GitHub 和各类社区里,技能文件分散、难检索、也难判断是否可靠。SkillWink 把开源技能集中整理成可搜索、可筛选、可直接下载使用的技能库,让你更快找到“正好能用”的那一个。并且支持在SkillWink上直接上传skills。
我们提供 AI 语义搜索 + 关键字检索,支持 版本更新与多维排序(下载/点赞/评论/更新),并为每个技能提供 SKILL.md 开放标准与来源信息。你还可以在详情页直接 评论讨论、交流用法与改进建议。
快速上手:
支持下载与导入 skills(.zip/.skill),本地放置后即可生效:
~/.claude/skills/(Claude Code)
~/.codex/skills/(Codex CLI)
~/.gemini/skills/(Gemini CLI)
同一份 SKILL.md 跨平台通用。
你需要了解的:技能是什么、怎么运行的、怎么找、怎么导入、怎么判断可信、怎么参与共建。
这里的“skills(技能)”是一种可复用的任务能力包,通常包含 SKILL.md 说明(用途、输入输出、使用方法)以及可选的脚本/模板/示例文件。
你可以把它理解为:给 AI 助手或工具链用的“插件说明书 + 资源包”,可被反复安装与分享。
技能系统采用“渐进式披露”策略,高效管理上下文信息,具体流程如下:
发现阶段:系统启动时,智能体仅加载各技能的名称与简要描述——信息精简,足以判断其适用场景,避免冗余加载。
激活阶段:当任务需求与某技能描述匹配时,智能体才将对应的完整 SKILL.md 说明文档动态载入上下文。
执行阶段:智能体严格遵循文档指引执行操作,并按需调用关联文件或运行内置代码模块。
核心优势:该设计使智能体始终保持轻量高效,同时具备“按需扩展上下文”的能力,既保障响应速度,又确保复杂任务拥有充分执行依据。
推荐 3 种方式组合使用:
注:以上导入方式文件大小控制在10M之内。
常见路径如下(不同系统略有差异,以你本机为准):
同一份 SKILL.md 通常可以跨工具复用。你在 SkillWink 导入后,也可以查看“放置指引/安装说明”。
可以。很多技能本质是标准化说明 + 资源,只要目标工具支持读取该格式,就能共享使用。
比如:检索类技能 + 写作类技能 + 自动化脚本,形成“发现 → 处理 → 输出”的工作流。
一部分skills来源于公开的 GitHub 仓库。我们会筛掉低质量仓库(至少 2 星),并扫描基本质量指标,还有一部分是SkillWink平台的创作者独立上传的。作为使用者,在安装前应始终审查代码,对安全问题负责。
最常见原因是这几类:
我们会尽量避免。你可以用 排序 + 评论 让“好用的”更靠前: