根据代理工作记录和词元数量,整理每项已完成成果及返工的费用,区分估算金额与实测支出,并生成附有依据的 HTML、JSON 和 CSV 报告。
- 核对每周支出与完成成果
- 比较每项已完成成果的费用
- 调查重复工作与返工费用
从记忆中分阶段查找过去会话的工作与解决方法,通过记录标识和前后记录缩小范围,再按需查看详细记录或原始工具输入与响应。
Use this when the user asks to search memory, "did we already solve this?", "how did we do X last time?", or wants work from previous sessions.
从记忆中分阶段查找过去会话完成的工作和解决方法。先用 search 找到记录标识,再用 timeline 查看前后背景。缩小范围后,通过 get_observations 阅读详细记录;摘要不足以解释问题时,再用 get_tool_uses 查看原始工具输入与响应。阅读范围和详细程度随信息需求调整。
适合确认某个问题过去是否已经解决,或找回上次工作的操作步骤。如果单条记录无法说明背景,也可以查看附近的记录,了解当时的情况。
需要用于连接工具的 MCP 机制。尚未安装时,预期通过安装技能执行 npx claude-mem install --ide <host>。单条原始工具输入与响应可能长达数千个词元,因此仅作为最后的核查手段。读取时,除非另有要求,否则也会包含其他宿主的记录。
本介绍由 AI(OpenAI Codex)根据公开的 SKILL.md 撰写。准确的规格请查看下方原文。
AI 仅根据 SKILL.md 的内容,从 4 个方面进行了评估。星标数和热度不计入评估。
总分按每项 A=25 分、B=15 分、C=5 分相加。 由 AI(OpenAI Codex)于 2026年10月21日 评估。仅供参考,安装前请同时查看原文。
安装前可以查看交给 AI 代理的指令内容。
Layered workflow. Do not dump full observations until IDs are filtered, and do not reach for raw tool bodies until the summaries came up short.
search(query) — index with IDstimeline(anchor=ID) — nearby contextget_observations(ids=[...]) — full details for those IDs onlyget_tool_uses(ids=[...]) — the ORIGINAL tool_input / tool_response for specific tool calls. Last resort: these are unsummarized and can run to thousands of tokens each.Stamp platformSource as cursor or grok-bot on writes for this host. When reading, do not drop the other host unless asked.
If MCP is missing, run the install skill first (npx claude-mem install --ide <host>).
还没有评价。欢迎分享你的使用感受。
无需登录即可发表。欢迎分享使用感受、提问,或说明在哪些环境下无法运行。
还没有评论。来写第一条吧。
根据代理工作记录和词元数量,整理每项已完成成果及返工的费用,区分估算金额与实测支出,并生成附有依据的 HTML、JSON 和 CSV 报告。
持续跟踪拉取请求的评审和自动检查,核实反馈是否适用于实际代码,反复修复、测试并推送,直到待处理问题与未解决讨论清零,达到可合并状态。
将编码任务交给子代理,依次执行build、合并已准备好的拉取请求,再从更新后的main进入release,把实现与发布工作连接起来。
检查本地claude-mem运行状态,更新各用户的重要记录缓存,支持排除和恢复记录,并报告不同层级的规则冲突,适合定期运维。
发布后核查公开软件包、线上服务和已安装插件,持续跟踪延迟到达的持续集成结果及故障报告,确认问题是否由此次发布引起,并在授权范围内修复。
指导在Cursor中安装claude-mem,选择本地或远程worker,并配置使用本机登录的host观察处理方式或cmem.ai远程推理。