Проектирование долговечных систем памяти агентов
Агенты теряют контекст между сеансами и с трудом рассуждают о меняющихся фактах. Этот навык описывает слои памяти, шаблоны извлечения, отслеживание сущностей и темпоральные графы знаний.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "memory-systems" from https://skillstore.io/skills/chakshugautam-memory-systems.md and its manifest at https://skillstore.io/api/skills/chakshugautam-memory-systems/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «memory-systems». Пользователь просит ассистента, который запоминает предпочтения между сеансами.
Ожидаемый результат:
Рекомендуемый дизайн: долгосрочная память сущностей с записями предпочтений, временными метками, уровнем уверенности и фильтрами извлечения. Добавьте пользовательские элементы управления для просмотра и удаления.
Использование «memory-systems». Команде нужно отвечать на вопросы о клиентах и продуктах, где важно множество связей.
Ожидаемый результат:
Рекомендуемый дизайн: граф знаний с сущностями клиентов, продуктов и покупок. Используйте обход графа для вопросов о связях.
Использование «memory-systems». Агент должен отвечать, что было истинным на прошлую дату.
Ожидаемый результат:
Рекомендуемый дизайн: темпоральные связи с полями valid-from и valid-until. Запрашивайте только факты, действительные в указанный временной диапазон.
The system reconnaissance findings are false positives from memory graph identifiers, query examples, and prose. The external command findings are Markdown Python code fences, not shell execution. I found one medium privacy design risk because the skill promotes persistent personal memory without concrete operational controls.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/chakshugautam-memory-systems/audits/8?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/chakshugautam-memory-systems?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/chakshugautam-memory-systems?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/chakshugautam-memory-systems/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/chakshugautam-memory-systems.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>ChakshuGautam. (2026). memory-systems security audit report (audit version 8) [Author version unspecified]. Skillstore. https://skillstore.io/skills/chakshugautam-memory-systems/audits/8@techreport{chakshugautam-chakshugautam-memory-systems-2026,
author = {ChakshuGautam},
title = {memory-systems security audit report (audit version 8)},
institution = {Skillstore},
year = {2026},
number = {8},
url = {https://skillstore.io/skills/chakshugautam-memory-systems/audits/8},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "memory-systems security audit report (audit version 8)"
version: "unspecified"
type: report
authors:
- name: "ChakshuGautam"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/chakshugautam-memory-systems/audits/8"
identifiers:
- type: other
value: "skillstore:chakshugautam-memory-systems:audit:8"
description: "Skillstore immutable audit report identifier"
Навык каждого автора остаётся отдельным устанавливаемым вариантом. Рекомендуемый вариант ранжируется по данным Skillstore.
Почему этот вариант первый
sickn33-memory-systems
2026-09-09
asmayaseen-memory-systems
2026-09-09
chakshugautam-memory-systems
2026-09-09
muratcankoylan-memory-systems
2026-09-09
Проектируйте слои памяти, которые сохраняют предпочтения, историю задач и повторно используемые факты между пользовательскими сеансами.
Используйте графовую память для отслеживания людей, продуктов, проектов и связей, которые меняются со временем.
Выбирайте семантические, основанные на сущностях или темпоральные шаблоны извлечения для сложных рабочих процессов агентов.
I am building an agent for [use case]. Recommend the simplest memory architecture that supports [session length] and [retrieval need].
Design an entity memory model for [domain]. Include entity types, relationships, metadata, and retrieval patterns.
Create a temporal memory strategy for facts that change over time in [system]. Explain validity periods and conflict handling.
Review this agent memory design for scalability, privacy, retention, retrieval quality, and failure handling: [design].
Автор
ChakshuGautamЛицензия
MIT
Ревизия Skillstore
r1
Примечание о версии
Автор не указал версию.
Ссылка
dd4a3ef9f20ddf38830950b4bb713df96b431fd6
Актуальность поддержки
23.07.2026
Использование
14 загрузок · 232 просмотров
Структура файлов
Диагностика деградации контекста в ИИ-агентах
Длинные диалоги и большие промпты могут приводить к тому, что ИИ-агенты теряют важную информацию или следуют противоречивому контексту. Этот навык помогает Claude, Codex и Claude Code выявлять паттерны деградации и выбирать стратегии смягчения.
Создание надежных систем оценки LLM
Оценку LLM сложно сделать согласованной между командами и моделями. Этот навык помогает проектировать промпты для судей, рубрики, метрики и проверки на предвзятость для повторяемых оценок.
Оптимизация контекстных окон ИИ
Длинные сеансы с ИИ могут расходовать токены впустую, замедлять ответы и терять важный контекст. Этот навык дает Claude, Codex и Claude Code практические шаблоны для сжатия, маскирования, кэширования и бюджетирования контекста.
Надежное сжатие длинного контекста агента
Длинные сессии агентов теряют важные файлы, решения и следующие шаги, когда контекст сжимается слишком агрессивно. Этот навык предоставляет структурированные методы сжатия и оценки, которые сохраняют пригодный к использованию контекст, сокращая расход токенов.
Оптимизация управления контекстом агента
Агентные системы могут становиться ненадежными, когда промпты, инструменты, история и извлечение данных конкурируют за контекст. Этот навык объясняет компоненты контекста и практические паттерны для бюджетирования, постепенного раскрытия и валидации.
Проектирование многоагентных архитектур
Сложная агентная работа может завершаться неудачей, когда одно окно контекста несет все задачи. Этот навык помогает Claude, Codex и Claude Code проектировать агентные системы с четкими передачами управления.
Проектирование систем контекста для ИИ
от sickn33
Командам ИИ нужны надежные способы управлять контекстом, памятью и извлечением данных в сложных рабочих процессах. Этот навык помогает выбирать архитектуру для RAG, векторного поиска, графов знаний и передачи контекста между агентами.
Проектируйте более качественные LLM-промпты
от alirezarezvani
Качество промптов часто страдает из-за неясных требований, примеров и критериев оценки. Этот навык помогает командам проектировать, тестировать и проверять production-промпты для Claude, Codex и Claude Code.
Проектирование архитектур приложений LangChain
от sickn33
LLM-приложения могут становиться сложными для структурирования по мере роста числа агентов, памяти, поиска и инструментов. Этот навык помогает выбирать подходы к проектированию LangChain и выполнять проверки для продакшена.
Создание обоснованных RAG-приложений
от wshobson
LLM-приложениям часто нужны надежные ответы из частных или изменяющихся источников знаний. Этот навык помогает проектировать RAG с использованием разбиения на фрагменты, embeddings, retrieval, reranking, prompting и evaluation.
Восстановление контекста рефакторинга между AI-сессиями
от sickn33
При длительных рефакторингах важные решения теряются, когда работа переходит между сессиями или агентами. Этот навык помогает с семантическим извлечением, ранжированием, восстановлением и проверкой контекста.
Создание production-агентов LangChain
от sickn33
Production-агентам LangChain нужны понятная архитектура, память, оценка и наблюдаемость. Этот навык проводит Claude, Codex и Claude Code через паттерны LangGraph, асинхронные инструменты, RAG, тестирование и развертывание.