reasoningbank-intelligence
بناء وكلاء AI ذاتية التعلم مع الذكاء التكيفي
متاح أيضًا من: ruvnet
يهدر وكلاء الذكاء الاصطناعي الوقت في تكرار نفس الأخطاء واستخدام استراتيجيات دون المستوى الأمثل. يتيح لك ReasoningBank Intelligence وكلاءك التعلم من كل تجربة، والتعرف على الأنماط، وتحسين أدائهم بشكل مستمر بمرور الوقت.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "reasoningbank-intelligence". Get optimal strategy for code review of a complex TypeScript project
النتيجة المتوقعة:
- Strategy Recommended: 'static_analysis_first'
- معدل النجاح: 87% (بناءً على 234 تجربة مماثلة)
- النتيجة المتوقعة: إيجاد 4-6 أخطاء في 20-30 دقيقة
- الإجراءات الرئيسية: تشغيل ESLint أولاً، ثم التركيز على تعريفات الأنواع، مراجعة الأنواع المعقدة أخيرًا
- الثقة: عالية (0.85)
استخدام "reasoningbank-intelligence". How should I fix bugs in legacy PHP code efficiently
النتيجة المتوقعة:
- Strategy Recommended: 'reproduce_then_fix'
- معدل النجاح: 72% (بناءً على 89 تجربة مماثلة)
- النتيجة المتوقعة: إصلاح 2-3 أخطاء في الساعة مع مخاطر تراجع أقل
- الإجراءات الرئيسية: كتابة اختبار الفشل أولاً، تحديد السبب الجذري في السجلات، تطبيق الإصلاح الأدنى، التحقق باستخدام الاختبار
- الثقة: متوسطة (0.72)
التدقيق الأمني
آمنThis skill is pure documentation with TypeScript code examples for implementing adaptive learning systems. Contains no executable code, network calls, or file system operations. Static scanner produced 35 false positives by misinterpreting SHA256 hashes as weak crypto, GitHub URLs as hardcoded endpoints, and markdown code blocks as shell commands. All findings dismissed after human evaluation.
عوامل الخطر
🌐 الوصول إلى الشبكة (1)
📁 الوصول إلى نظام الملفات (1)
⚙️ الأوامر الخارجية (19)
درجة الجودة
ماذا يمكنك بناءه
إنشاء وكلاء مراجعة أكواد ذاتية التحسين
بناء وكلاء يتعلمون أي استراتيجيات مراجعة تجد معظم الأخطاء ويكيفون نهجهم بناءً على تعقيد اللغة والكود
تحسين استراتيجيات خطوط أنابيب CI/CD
التعلم من نتائج النشر للتنبؤ بالأخطاء واختيار استراتيجية النشر الأكثر أمانًا لكل موقف تلقائيًا
تنفيذ التعلم الوصفي لاختيار النماذج
إنشاء أنظمة تتعلم أي نماذج تعلم آلي تعمل بشكل أفضل لأنواع مختلفة من البيانات وتختار تلقائيًا النهج الأمثل
جرّب هذه الموجهات
Use ReasoningBank to record this experience: Task: API testing, Approach: automated_tests_first, Outcome: found 3 bugs in 15 minutes, Context: Node.js REST API
Help me implement pattern learning in ReasoningBank for this observation: When database queries slow down after 5pm, adding read replicas solves performance issues with 90% confidence
Use ReasoningBank to compare these bug fixing strategies: debug_first, test_first, reproduce_then_fix. Show success rates and time metrics.
Implement knowledge transfer in ReasoningBank from JavaScript code review patterns to TypeScript code review, considering 80% similarity between languages
أفضل الممارسات
- سجل كل من التجارب الناجحة والفاشلة لبناء بيانات تعلم متوازنة
- أضف سياقًا غنيًا مثل ظروف البيئة والقيود والبيانات الوصفية ذات الصلة
- عيّن عتبات الثقة لتصفية التعلم منخفض الجودة ومنع الضوضاء
تجنب
- تسجيل النجاحات فقط ينشأ نماذج متحيزة تتجاهل أنماط الفشل
- استخدام السياق العام يقلل من دقة مطابقة الأنماط وجودة التوصيات
- الاحتفاظ بجميع البيانات التاريخية إلى الأبد يؤدي إلى انتفاخ التخزين وابطاء الاستعلامات
الأسئلة المتكررة
هل هذا متوافق مع إعداد Claude Code الحالي؟
كم من البيانات أحتاجها قبل رؤية توصيات جيدة؟
هل يمكنني دمج هذا مع أدوات AI أخرى بخلاف Claude؟
هل بيانات التعلم الخاصة بي آمنة وخاصة؟
ماذا لو تعلم النظام أنماطًا خاطئة؟
كيف يقارن هذا بتدريب نماذج التعلم الآلي التقليدية؟
تفاصيل المطور
المؤلف
DNYoussefالترخيص
MIT
المستودع
https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/reasoningbank-intelligenceمرجع
main
بنية الملفات
📄 SKILL.md