memory-systems
Entwerfen Sie KI-Speicherarchitekturen mit geschichteter Persistenz
또한 다음에서 사용할 수 있습니다: muratcankoylan,ChakshuGautam,Asmayaseen
KI-Agenten verlieren beim Sitzungsabbruch ohne geeignete Speichersysteme ihren gesamten Kontext. Diese Fähigkeit bietet bewährte Muster für den Aufbau geschichteter Speicher – vom Arbeitskontext bis zu temporalen Wissensgraphen.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"memory-systems" 사용 중입니다. Entwerfen Sie eine Dateisystem-Speicherstruktur für einen Schreibassistenten, der Benutzerdokumente, Schreibpräferenzen und Revisionshistorie verfolgt
예상 결과:
- memory/
- ├── users/
- │ └── {user_id}/
- │ ├── profile.json (Präferenzen, Stileinstellungen)
- │ ├── documents/
- │ │ └── {doc_id}/
- │ │ ├── current.md
- │ │ └── revisions/
- │ │ └── {timestamp}.md
- │ └── vocabulary.json (benutzerdefinierte Begriffe, häufig verwendete Phrasen)
- └── indexes/
- └── user-documents.json (doc_id-zu-Benutzer-Zuordnung)
"memory-systems" 사용 중입니다. Abfrage: Finde alle Teammitglieder mit Python-Fähigkeiten, die ab nächster Woche für Aufgaben verfügbar sind
예상 결과:
- Entitätsabfrage-Ergebnis:
- - Alice Chen (Senior Developer) - Python, Django, FastAPI - Verfügbar ab 2024-02-05
- - Marcus Rodriguez (Backend Engineer) - Python, PostgreSQL - Verfügbar ab 2024-02-06
- - Sarah Kim (Full Stack) - Python, React, TypeScript - Sofort verfügbar
보안 감사
안전Educational documentation skill for AI memory architecture design. All 28 static analysis findings are false positives from pattern matching on documentation text. The skill contains no executable code, no network calls, no command execution, and no cryptographic operations. It provides conceptual guidance on memory layers, knowledge graphs, and retrieval patterns.
품질 점수
만들 수 있는 것
Kunden-Support-Agent mit Speicher
Erstellen Sie einen Support-Agenten, der Kundenpräferenzen, vergangene Tickets und Produktkäufe über Sitzungen hinweg unter Verwendung von Entitätsspeicher und temporalem Tracking erinnert
Forschungsassistent mit Wissenskumulation
Erstellen Sie einen Forschungsagenten, der einen wachsenden Wissensgraphen von Arbeiten, Konzepten und Beziehungen aufbaut und komplexe domänenübergreifende Reasoning-Abfragen ermöglicht
Persönlicher KI-Assistent mit Langzeitkontext
Entwickeln Sie einen persönlichen Assistenten, der Benutzerpräferenzen erlernt, laufende Projekte verfolgt und über Monate von Interaktionen hinweg konsistente Entitätsreferenzen aufrechterhält
이 프롬프트를 사용해 보세요
Ich muss meinem KI-Agenten Speicher hinzufügen, der über Sitzungen hinweg persistiert. Der Agent hilft Benutzern, ihre Fitnessziele und Trainingshistorie zu verfolgen. Entwerfen Sie ein zweischichtiges Speichersystem mit Dateisystem-Speicher, das Folgendes verfolgt: (1) Benutzerprofile mit Zielen, (2) Trainingssitzungshistorie mit Daten und Übungen. Zeigen Sie die Verzeichnisstruktur und JSON-Schemata für jede Schicht.
Mein Agent benötigt semantische Suche über 10.000+ Kunden-Support-Tickets bei gleichzeitiger Filterung nach Produktkategorie, Datumsbereich und Lösungsstatus. Entwerfen Sie ein Vektor-RAG-System mit Metadaten-Filterung. Spezifizieren Sie die Embedding-Strategie, das Metadaten-Schema und das Abfrageformat, das semantische Ähnlichkeit mit Metadaten-Filtern kombiniert.
Bauen Sie ein Entitätsspeichersystem für einen Projektmanagement-Agenten. Der Agent muss verfolgen: Teammitglieder (mit Rollen und Fähigkeiten), Projekte (mit Fristen und Status) und Aufgaben (mit Zuständigen und Abhängigkeiten). Entwerfen Sie das Entitätsschema, Beziehungstypen und Abfragefunktionen, um Folgendes zu beantworten: 'Wer ist nächste Woche für eine React-Aufgabe verfügbar?' und 'Welche Projekte hängen von der Authentication-Refaktorisierung ab?'
Entwerfen Sie einen temporalen Wissensgraphen für einen Gesundheits-Agenten, der Patientenzustände, Medikamente und Laborergebnisse mit Gültigkeitszeiträumen verfolgt. Jede Tatsache muss Zeitreise-Abfragen unterstützen. Liefern Sie: (1) das Triple-Schema mit valid_from- und valid_until-Zeitstempeln, (2) Cypher-Abfragen für 'Welche Medikamente nahm Patient X im März 2024?' und 'Wann wurde Diagnose Y aktiv?', (3) Konsolidierungslogik zum Aktualisieren von Fakten bei neuen Laborergebnissen.
모범 사례
- Passen Sie die Speicherarchitektur an die Abfragekomplexität an: Dateisystem für einfache Persistenz, Vektor-RAG für semantische Suche, Wissensgraphen für Beziehungs-Reasoning, temporale Graphen für zeitbewusste Abfragen
- Implementieren Sie regelmäßige Speicherkonsolidierung, um redundante Fakten zu合并ieren, veraltete Daten zu archivieren und Indizes neu aufzubauen, bevor die Abfrageleistung nachlässt
- Verwenden Sie Just-in-Time-Speicherladung mit strategischer Kontextinjektion, anstatt alle Speicher auf einmal in den Kontext zu laden
피하기
- Speichern aller Speicher im Kontextfenster – verursacht Kontextaufblähung, erhöht die Latenz und verschwendet Aufmerksamkeit auf irrelevante Informationen
- Verwendung von reinem Vektorspeicher für beziehungsintensive Daten – verliert Entitätsverbindungen und verhindert Graph-Traversierungsabfragen
- Niemals Speicherkonsolidierung durchführen – führt zu unbegrenztem Wachstum, doppelten Fakten und widersprüchlichen Informationen aus verschiedenen Zeiträumen