Memento-Skill

Was macht Memento-Skill?

Übersicht

Das Memento-Skill behandelt Forschungserinnerungen als ein kontrolliertes Abrufproblem. Externe Aufzeichnungen helfen einem Agenten, die Arbeit über Sitzungen hinweg fortzusetzen, aber sie können die nächste Entscheidung auch verunreinigen, wenn veraltete Notizen, schwache Belege oder irreführende Zusammenfassungen als aktuelle Fakten gelesen werden.

Das Ziel ist nicht, sich an alles zu erinnern. Das Ziel ist, die aktuelle Entscheidungsoberfläche klar zu halten: Fakten in einem Ledger, Kontraste in einem anderen, Überzeugungen in einem dritten und veraltete Fragmente hinter einem Archivindex, bis es wirklich einen Grund gibt, sie abzurufen.

Standardhaltung: Für schnelle Fortsetzung optimieren, nicht für erschöpfende Wiederholung. Ein guter Tracker ermöglicht es einem neuen Agenten, die aktuelle Entscheidungsoberfläche schnell wiederherzustellen, ohne die gesamte experimentelle Vergangenheit erneut zu lesen.

Verwenden Sie dieses Skill, wenn

• Der Benutzer einen Experiment-Tracker, einen Ablationsplan, eine Laufdatentabelle oder ein Forschungstagebuch wünscht.
• Das Projekt viele Läufe hat und eine globale Landschaft statt ad hoc Notizen benötigt.
• Der Benutzer Hilfe bei der Auswahl des nächsten Experiments durch Informationsgewinn und nicht nur durch Intuition wünscht.
• Der Benutzer Vorhersagen mit Ergebnissen vergleichen und Überzeugungen systematisch aktualisieren möchte.
• Der Benutzer verhindern möchte, dass alter Kontext, archivierte Erkenntnisse oder Speicherfragmente zu versehentlichen Anweisungen werden.

Kernregeln

• Beide Ansichten gleichzeitig pflegen: die globale Landschaft und den nächsten lokalen Gradienten.
• Aktive Entscheidungsunterstützung von archivärer Vollständigkeit trennen.
• Vor dem Start eines Laufs einen Kontrast hinzufügen.
• Eine primäre Achse pro Kontrast ändern; die übrigen kontrolliert genug halten, um sie interpretieren zu können.
• Experimente bevorzugen, deren Ergebnis die Roadmap am meisten verändern würde.
• Negative Ergebnisse sind nützlich, wenn die Vorhersage explizit und die Kontrolle sauber war.
• Das schlechteste Ergebnis ist ein schlechter Kontrast, der nichts lehrt.
• Wenn ein altes Experiment die nächste Entscheidung nicht mehr ändert, es aus dem Standard-Arbeitssatz entfernen.
• Nicht jede Notiz zu einer Tätowierung machen: Ein Fragment muss klassifiziert, überprüft und in die richtige Gedächtnisschicht eingeordnet werden, bevor es das Handeln bestimmt.

Erforderlicher Arbeitssatz

• runs.csv: Faktenledger, eine Zeile pro Lauf.
• contrasts.csv: Argumentationsledger, eine Zeile pro kontrolliertem Vergleich.
• hypotheses.md: Überzeugungsledger, ein Abschnitt pro Behauptung und Aktualisierungsregel.

Falls diese Dateien nicht existieren, erstellen Sie sie. Verwenden Sie die Starterschemata in references/TEMPLATES.md.

Bevorzugte geschichtete Anordnung

Für mittlere oder große Forschungsprogramme bevorzugen Sie diese Anordnung:

• CURRENT_STATE.md: Der minimale Einstiegspunkt für einen neuen Agenten. Halten Sie ihn kurz.
• ACTIVE_TRACKER.md oder ACTIVE_TRACKER.csv: Nur Experimente, die noch einen Entscheidungsgradienten für die aktuelle Roadmap haben.
• EVIDENCE_LOG.md: Komprimierte Aussage darüber, was das Projekt derzeit glaubt und welche wenigen Experimente diesen Glauben rechtfertigen.
• runs.csv, contrasts.csv, hypotheses.md: Das vollständige Ledger.
• archive/: Experimente und Tracker-Schnappschüsse, die standardmäßig nicht gelesen werden sollten.
• optional ARCHIVE_INDEX.md: Ein durchsuchbarer Index für den Kalt-Speicher-Abruf.
• optionale Archivkarten: Eine kurze Notiz pro archiviertem Cluster, die erklärt, wann er jemals wieder aufgerufen werden sollte.
• optional RECALL_NOTES/: Kleiner Prüfpfad für Archivabrufe, die tatsächlich stattfanden.

Betrachten Sie dies als Gedächtnisschichten:

• heißer Pfad: CURRENT_STATE.md, ACTIVE_TRACKER.*, EVIDENCE_LOG.md
• vollständiges Ledger: runs.csv, contrasts.csv, hypotheses.md
• kaltes Gedächtnis: archive/, ARCHIVE_INDEX.md, Archivkarten, RECALL_NOTES/

Kompatibilitätsregel:

• Projekte, die nur runs.csv, contrasts.csv, hypotheses.md haben, nicht beschädigen.
• Wenn der Tracker zu groß geworden ist, die oben genannten geschichteten Dateien einführen und zum Standard-Lesepfad machen.
• Keine Archivdateien für Projekte verlangen, die noch keinen Kalt-Speicher-Abruf benötigen.

Archiv-Abrufmodell

Behandeln Sie das Archiv als eine Kaltgedächtnisschicht, nicht als toten Speicher und nicht als Teil des standardmäßigen Lesepfads.

Regeln:

• Archiv nicht standardmäßig lesen.
• Archiv nur abrufen, wenn das aktuelle Problem es rechtfertigt.
• Der Abruf sollte von einem Index oder einer Archivkarte ausgehen, nicht von einer blinden Verzeichnisdurchquerung.
• Abruf dient dem Extrahieren wiederverwendbarer Ressourcen, nicht dem erneuten Abspielen des gesamten alten Zweigs.
• Wenn der Abruf ein noch nützliches Ergebnis findet, dieses Ergebnis zurück in den heißen Pfad verschieben (CURRENT_STATE.md, ACTIVE_TRACKER.*, EVIDENCE_LOG.md), anstatt es vergraben zu lassen.

Empfohlene Abrufauslöser:

• aktuelle Hauptlinie ist ins Stocken geraten oder mehrfach fehlgeschlagen
• aktuelle Frage ist strukturell ähnlich zu einer archivierten Frage
• ein neues Ergebnis widerspricht der aktiven Projektgeschichte
• ein hochwertiger Anomalie tritt auf und aktive Beweise erklären ihn nicht
• der Benutzer bittet explizit um historische Ausgrabung

Empfohlenes Abrufbudget:

• zuerst ARCHIVE_INDEX.md oder die relevante Archivkarte lesen
• höchstens 1-2 Archivcluster auswählen
• höchstens 1-3 Quelldateien pro Cluster lesen, bevor entschieden wird, ob abgebrochen wird
• eine kurze Abrufnotiz schreiben, wenn der Abruf den nächsten Schritt wesentlich beeinflusst

Arbeitsablauf

1. Zuerst den kleinsten autoritativen Einstiegspunkt lesen: bevorzugen Sie CURRENT_STATE.md, dann ACTIVE_TRACKER.*, dann EVIDENCE_LOG.md, dann das vollständige Ledger nur bei Bedarf.
2. Die aktiven Fragen, Hypothesen und ungelösten Entscheidungspunkte identifizieren.
3. Alte Experimente als einen der folgenden Typen markieren:
   • active: ändert noch aktuelle Entscheidungen
   • reference: nützliche unterstützende Beweise, aber nicht Teil des standardmäßigen Arbeitssatzes
   • archived: nur historisch, es sei denn, eine spezifische Frage eröffnet es wieder
4. Kandidatenkontraste vorschlagen und nach erwartetem Informationsgewinn ordnen.
5. Die Vorhersage vor der Durchführung schreiben: Richtung, minimal bedeutsame Differenz und Begründung.
6. Beobachtete Fakten in runs.csv festhalten, nicht Interpretationen.
7. contrasts.csv mit tatsächlichen Differenzen, Informationsgewinn und nächstem Aktualisieren.
8. hypotheses.md basierend auf der Lücke zwischen erwarteten und beobachteten Ergebnissen aktualisieren.
9. Wenn ein Archivabruf ausgelöst wird, ARCHIVE_INDEX.md oder Archivkarten konsultieren, eine begrenzte Lesung durchführen und wiederverwendbare Erkenntnisse in einer Abrufnotiz zusammenfassen.
10. Jedes abgerufene wertvolle Ergebnis in den heißen Pfad verschieben, anstatt es nur im Archiv zu belassen.
11. CURRENT_STATE.md und ACTIVE_TRACKER.* auffrischen, damit ein neuer Agent fortfahren kann, ohne das gesamte Ledger erneut abspielen zu müssen.
12. Wenn Tracker-Dateien existieren, nach deren Bearbeitung python <pfad-zu-diesem-skill>/scripts/validate_tracker.py <tracker-verzeichnis> ausführen. Den Skriptpfad relativ zu dieser SKILL.md auflösen.

Ergebnisse

Bei Verwendung dieses Skills erzeugen:

• Eine prägnante Landschaftszusammenfassung
• Die informativsten nächsten Kontraste, sortiert
• Die Kontrollanforderungen für jeden Kontrast
• Den vorhergesagten Gradienten oder Entscheidungseinfluss für jeden Kontrast
• Explizite Hypothesenaktualisierungen nach neuen Beweisen
• Eine Aussage darüber, was in den aktiven Satz verschoben wurde, was als Referenz verblieb und was aus dem standardmäßigen Lesepfad archiviert wurde
• Wenn ein Archivabruf stattfand: warum der Abruf ausgelöst wurde, was gelesen wurde, welche wiederverwendbare Ressource gefunden wurde und ob dies den Plan änderte

Qualitätsmaßstab

• runs.csv sollte Fakten und Qualitätsflaggen speichern, keine Schlussfolgerungen.
• contrasts.csv sollte offensichtlich machen, was sich geändert hat, was kontrolliert blieb, was vorhergesagt wurde und was gelernt wurde.
• hypotheses.md sollte angeben, was den Glauben ändern würde, nicht nur den Glauben selbst.
• Wenn ein Kontrast schwach kontrolliert ist, ihn als nicht schlüssig markieren, anstatt so zu tun, als hätte er die Frage geklärt.
• CURRENT_STATE.md sollte in einer kurzen Sitzung lesbar sein.
• ACTIVE_TRACKER.* sollte nur die Experimente mit nicht-trivialem aktuellem Entscheidungsgradienten enthalten.
• Historische Vollständigkeit gehört ins Ledger und Archiv, nicht in den standardmäßigen Agenten-Einstiegspunkt.
• Das Archiv sollte nach Problemwert indiziert sein, nicht nur nach Datum oder Schnappschussname.
• Nützliche archivierte Erkenntnisse sollten mit minimaler Umschreibung zurück in den heißen Pfad verschiebbar sein.

Siehe references/REFERENCE.md für den vollständigen Bewertungsleitfaden und references/TEMPLATES.md für Startdateien und Beispiele.