reasoningbank-with-agentdb
Implémenter l'apprentissage adaptatif avec ReasoningBank et AgentDB
こちらからも入手できます: ruvnet
La création d'agents auto-apprenants nécessite de suivre les expériences et d'améliorer la prise de décision au fil du temps. Cette compétence fournit des modèles d'apprentissage adaptatif ReasoningBank utilisant la base de données vectorielle haute performance d'AgentDB pour une récupération de modèles et une gestion de la mémoire 150 fois plus rapides.
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「reasoningbank-with-agentdb」を使用しています。 Récupérer des expériences similaires pour l'optimisation d'API
期待される結果:
5 expériences pertinentes trouvées :
1. 'Added eager loading for N+1 queries' - Similarité : 0.92, Taux de réussite : 94%
2. 'Implemented Redis caching layer' - Similarité : 0.87, Taux de réussite : 89%
3. 'Query optimization with indexes' - Similarité : 0.85, Taux de réussite : 91%
Contexte synthétisé : Sur la base de 5 optimisations similaires, l'approche la plus efficace consiste à identifier les requêtes N+1, ajouter du eager loading, puis implémenter la mise en cache. Taux de réussite : 91%
「reasoningbank-with-agentdb」を使用しています。 Distiller des modèles à partir d'expériences de débogage
期待される結果:
15 expériences consolidées en 3 modèles :
Modèle : 'Null pointer errors' (8 cas)
- Correction : Add defensive null checks
- Taux de réussite : 95%
- Confiance : 0.93
Modèle : 'Memory leaks' (4 cas)
- Correction : Proper cleanup and disposal
- Taux de réussite : 88%
- Confiance : 0.87
Modèle : 'Type coercion issues' (3 cas)
- Correction : Strict type checking
- Taux de réussite : 92%
- Confiance : 0.85
セキュリティ監査
低リスクStatic scanner flagged documentation patterns as security issues. All findings are false positives: network references are metadata/documentation links, filesystem references are database path mentions, external_command patterns are Markdown code block delimiters, and cryptographic algorithm detections are substring matches in words like 'memory'. The skill is a legitimate machine learning documentation file with no executable code.
リスク要因
🌐 ネットワークアクセス (3)
📁 ファイルシステムへのアクセス (5)
⚙️ 外部コマンド (41)
品質スコア
作れるもの
Créer des agents de support client auto-apprenants
Créez des agents qui apprennent des interactions de support. Suivez les modèles de résolution réussis, récupérez des solutions passées similaires et améliorez la qualité des réponses au fil du temps grâce à la recherche par similarité vectorielle.
Implémenter la relecture d'expérience pour l'optimisation de code
Permettez aux agents de codage d'apprendre de leurs réussites d'optimisation. Stockez les modèles de trajectoire d'améliorations de performance et récupérez des modèles similaires lors de nouveaux défis d'optimisation.
Créer des assistants de débogage adaptatifs
Créez des outils de débogage qui apprennent des modèles de correction. Suivez les catégories de bugs, les approches de correction réussies et les taux de réussite pour fournir des recommandations de débogage de plus en plus précises.
これらのプロンプトを試す
Initialise ReasoningBank avec AgentDB pour l'apprentissage adaptatif. Configure la base de données à '.agentdb/reasoningbank.db' avec une dimension de 1536. Active les plugins d'apprentissage et les agents de raisonnement avec une taille de cache de 1000 modèles.
Enregistre une expérience d'agent réussie dans ReasoningBank. L'expérience implique : task='optimize-api-endpoint', approach='added eager loading and caching', outcome='success', latency_reduction=0.85. Utilise le domaine 'api-optimization' et une confiance de 0.95.
Trouve des expériences passées similaires pour l'optimisation de requêtes de base de données. Récupère 5 expériences en utilisant MMR pour la diversité. Active la synthèse de contexte pour générer un récit riche des approches réussies.
Consolide 100 expériences dans le domaine 'api-optimization' en modèles de haut niveau. Distille en principes généraux avec taux de réussite et scores de confiance. Stocke les modèles distillés pour une récupération future.
ベストプラクティス
- Utilisez le filtrage par domaine pour limiter la récupération de modèles aux zones pertinentes et améliorer les scores de pertinence
- Activez la synthèse de contexte pour les décisions complexes afin de générer des recommandations cohérentes
- Configurez des tailles de cache appropriées en fonction du volume de modèles attendu pour des performances optimales
回避
- Stocker des expériences à faible confiance sans validation peut dégrader la qualité de récupération au fil du temps
- Désactiver l'optimisation automatique de la mémoire entraîne une croissance de la base de données et des recherches plus lentes
- Utiliser des domaines génériques sans organisation réduit la pertinence et l'utilité des modèles
よくある質問
Quelle est la différence entre ReasoningBank et AgentDB ?
Comment fonctionne le suivi de trajectoire ?
Qu'est-ce que la distillation de mémoire ?
Puis-je migrer depuis ReasoningBank legacy ?
Comment choisir la bonne dimension d'embedding ?
Quels sont les modules de raisonnement ?
開発者の詳細
作成者
DNYoussefライセンス
MIT
リポジトリ
https://github.com/DNYoussef/ai-chrome-extension/tree/main/.claude/skills/reasoningbank-agentdb参照
main
ファイル構成
📄 SKILL.md