메멘토 스킬은(는) 무엇을 하나요?

개요

메멘토 스킬은 연구 기억을 통제된 회상 문제로 취급합니다. 외부 기록은 에이전트가 세션 간 작업을 이어갈 수 있게 돕지만, 오래된 노트, 약한 증거, 오해의 소지가 있는 요약이 현재 사실로 읽히면 다음 의사 결정을 오염시킬 수 있습니다.

목표는 모든 것을 기억하는 것이 아닙니다. 목표는 현재 의사 결정 표면을 깨끗하게 유지하는 것입니다: 사실은 하나의 원장에, 대조군은 다른 원장에, 믿음은 세 번째 원장에, 오래된 조각들은 아카이브 색인 뒤에 두어 실제로 회상해야 할 이유가 생기기 전까지는 읽히지 않도록 합니다.

기본 입장: 완전한 재생이 아닌 빠른 재개에 최적화합니다. 좋은 추적기는 새로운 에이전트가 과거 실험 전체를 다시 읽지 않고도 현재 의사 결정 표면을 빠르게 복원할 수 있게 합니다.

이 스킬을 사용해야 할 때

사용자가 실험 추적기, 절제 계획, 실행 테이블, 연구 로그를 원할 때
프로젝트에 많은 실행이 있고 임시 메모가 아닌 전체적인 상황을 파악해야 할 때
사용자가 직관이 아닌 정보 획득량에 기반하여 다음 실험을 선택하는 데 도움을 원할 때
사용자가 예측과 결과를 체계적으로 비교하고 믿음을 업데이트하려 할 때
사용자가 오래된 컨텍스트, 아카이브된 발견, 메모리 조각이 우발적인 명령이 되는 것을 방지하려 할 때

핵심 규칙

두 가지 관점을 동시에 유지하십시오: 전체적인 상황과 다음 지역적 기울기
능동적 의사 결정 지원과 완전한 아카이브를 분리하십시오
실행을 시작하기 전에 대조군을 추가하십시오
대조군 당 하나의 주요 축만 변경하고, 나머지는 결과를 해석할 수 있을 만큼 통제하십시오
결과가 로드맵을 가장 많이 바꿀 수 있는 실험을 선호하십시오
예측이 명시적이고 통제가 깨끗했다면 부정적 결과도 유용합니다
최악의 결과는 아무것도 가르쳐주지 않는 잘못된 대조군입니다
오래된 실험이 더 이상 다음 결정을 바꾸지 않는다면, 기본 작업 세트에서 제외하십시오
모든 메모가 문신이 되지 않도록 하십시오: 조각은 분류, 검증, 올바른 메모리 레이어에 배치된 후에야 행동을 유도해야 합니다

필수 작업 세트

runs.csv: 사실 원장, 실행 당 한 행
contrasts.csv: 추론 원장, 통제된 비교 당 한 행
hypotheses.md: 믿음 원장, 주장 및 업데이트 규칙 당 한 섹션

이 파일들이 존재하지 않으면 생성하십시오. 시작 스키마는 references/TEMPLATES.md를 참조하십시오.

권장 계층형 레이아웃

중형 또는 대형 연구 프로그램의 경우 이 레이아웃을 선호하십시오:

CURRENT_STATE.md: 새로운 에이전트를 위한 최소 진입점. 짧게 유지하십시오.
ACTIVE_TRACKER.md 또는 ACTIVE_TRACKER.csv: 현재 로드맵에 대한 의사 결정 기울기가 여전히 있는 실험만 포함합니다.
EVIDENCE_LOG.md: 프로젝트가 현재 믿는 바와 그 믿음을 정당화하는 소수의 실험을 압축한 진술문입니다.
runs.csv, contrasts.csv, hypotheses.md: 전체 원장.
archive/: 기본적으로 읽히지 않아야 할 실험 및 추적기 스냅샷.
선택적 ARCHIVE_INDEX.md: 콜드 메모리 회상을 위한 검색 가능한 색인.
선택적 아카이브 카드: 아카이브된 클러스터 당 하나의 짧은 메모로, 언제 다시 방문해야 하는지 설명합니다.
선택적 RECALL_NOTES/: 실제로 발생한 아카이브 회상에 대한 감사 추적.

이것들을 메모리 레이어로 생각하십시오:

핫 패스: CURRENT_STATE.md, ACTIVE_TRACKER.*, EVIDENCE_LOG.md
전체 원장: runs.csv, contrasts.csv, hypotheses.md
콜드 메모리: archive/, ARCHIVE_INDEX.md, 아카이브 카드, RECALL_NOTES/

호환성 규칙:

runs.csv, contrasts.csv, hypotheses.md만 있는 프로젝트를 망가뜨리지 마십시오.
추적기가 너무 커졌을 때 위의 계층형 파일을 도입하고 기본 읽기 경로로 만드십시오.
아직 콜드 메모리 회상이 필요하지 않은 프로젝트에 아카이브 파일을 요구하지 마십시오.

아카이브 회상 모델

아카이브를 콜드 메모리 레이어로 취급하십시오. 죽은 저장소도 아니고 기본 읽기 경로의 일부도 아닙니다.

규칙:

기본적으로 아카이브를 읽지 마십시오.
현재 문제가 정당화할 때만 아카이브를 회상하십시오.
회상은 색인 또는 아카이브 카드에서 시작해야 하며, 맹목적인 디렉토리 탐색에서 시작하지 마십시오.
회상은 재사용 가능한 자산을 추출하기 위한 것이지, 전체 오래된 브랜치를 재생하기 위한 것이 아닙니다.
회상이 여전히 유용한 결과를 찾으면, 그 결과를 묻어두지 말고 핫 패스(CURRENT_STATE.md, ACTIVE_TRACKER.*, EVIDENCE_LOG.md)로 승격시키십시오.

권장 회상 트리거:

현재 메인라인이 정체되거나 반복적으로 실패했을 때
현재 질문이 아카이브된 질문과 구조적으로 유사할 때
새로운 결과가 활성 프로젝트 스토리와 충돌할 때
고가치 이상치가 나타나고 활성 증거가 이를 설명하지 못할 때
사용자가 명시적으로 역사적 발굴을 요청할 때

권장 회상 예산:

먼저 ARCHIVE_INDEX.md 또는 관련 아카이브 카드를 읽으십시오.
최대 1-2개의 아카이브 클러스터를 선택하십시오.
중단 여부를 결정하기 전에 클러스터 당 최대 1-3개의 소스 파일을 읽으십시오.
회상이 다음 단계에 실질적으로 정보를 제공했다면 짧은 회상 노트를 작성하십시오.

워크플로우

가장 작은 권위 있는 진입점을 먼저 읽으십시오: CURRENT_STATE.md를 선호하고, 그 다음 ACTIVE_TRACKER.*, EVIDENCE_LOG.md, 필요할 때만 전체 원장을 읽습니다.
활성 질문, 가설, 미해결 의사 결정 지점을 식별하십시오.
오래된 실험을 다음 중 하나로 표시하십시오:
- active: 여전히 현재 결정을 바꿉니다.
- reference: 유용한 지지 증거이지만 기본 작업 세트의 일부는 아닙니다.
- archived: 특정 질문이 다시 열리지 않는 한 역사적인 것만 해당합니다.
후보 대조군을 제안하고 예상 정보 획득량에 따라 순위를 매기십시오.
실행 전에 예측을 작성하십시오: 방향, 최소 의미 있는 변화량, 이유.
관찰된 사실을 해석이 아닌 runs.csv에 기록하십시오.
실제 변화량, 정보 획득량, 다음 조치를 contrasts.csv에 업데이트하십시오.
예상 결과와 관찰 결과의 차이에 기반하여 hypotheses.md를 업데이트하십시오.
아카이브 회상이 트리거되면 ARCHIVE_INDEX.md 또는 아카이브 카드를 참조하고, 제한된 읽기를 수행하고, 재사용 가능한 발견을 회상 노트에 요약하십시오.
회상된 고가치 발견을 아카이브 전용으로 두지 말고 핫 패스로 승격시키십시오.
CURRENT_STATE.md와 ACTIVE_TRACKER.*를 새로고침하여 새로운 에이전트가 전체 원장을 재생하지 않고 재개할 수 있도록 하십시오.
추적기 파일이 존재하면 편집 후 python <path-to-this-skill>/scripts/validate_tracker.py <tracker_dir>를 실행하십시오. 스크립트 경로는 이 SKILL.md를 기준으로 확인하십시오.

결과물

이 스킬을 사용할 때 다음을 생성하십시오:

간결한 상황 요약
가장 유익한 다음 대조군, 순위별
각 대조군에 대한 통제 요구사항
각 대조군에 대한 예상 기울기 또는 결정 영향
새로운 증거 이후 명시적 가설 업데이트
활성 세트로 이동한 항목, 참조로 남은 항목, 기본 읽기 경로에서 아카이브된 항목에 대한 설명
아카이브 회상이 발생했을 때: 회상이 트리거된 이유, 읽은 내용, 발견된 재사용 가능한 자산, 계획이 변경되었는지 여부

품질 기준

runs.csv는 결론이 아닌 사실과 품질 플래그를 저장해야 합니다.
contrasts.csv는 무엇이 변경되었는지, 무엇이 통제되었는지, 무엇이 예측되었는지, 무엇이 학습되었는지 명확하게 해야 합니다.
hypotheses.md는 믿음 자체뿐만 아니라 무엇이 믿음을 바꿀 것인지 명시해야 합니다.
대조군이 약하게 통제되었다면 질문을 해결한 척 하지 말고 불확실하다고 표시하십시오.
CURRENT_STATE.md는 짧은 시간에 읽을 수 있어야 합니다.
ACTIVE_TRACKER.*는 현재 의사 결정 기울기가 중요한 실험만 포함해야 합니다.
역사적 완전성은 기본 에이전트 진입점이 아닌 원장과 아카이브에 속합니다.
아카이브는 날짜나 스냅샷 이름뿐만 아니라 문제 가치에 따라 색인되어야 합니다.
아카이브된 유용한 발견은 최소한의 재작성으로 핫 패스로 승격 가능해야 합니다.

전체 평가 기준은 references/REFERENCE.md를, 시작 파일 및 예제는 references/TEMPLATES.md를 참조하십시오.

메멘토 스킬