К основному содержанию
скилл CX Codex

brain:init — скилл для Claude Code: что делает и как установить

Скилл brain:init для Claude Code создаёт в каталоге проекта базу знаний project_brain.db и наполняет её данными из заметок, документации и истории решений.

MIT ★ 328 обновлён 2026-10-29

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add coco-research/coco --skill brain:init -a claude-code
Открыть на GitHub

Что делает brain:init

Скилл разворачивает в рабочей папке базу SQLite project_brain.db с 11 таблицами. Он опрашивает проект через скрипт brain_cli.py, запрашивает имя со слагом и сканирует файлы в каталоге, находя CLAUDE.local.md, файлы памяти Claude, переписку и документы.

Из найденных файлов агент извлекает сущности людей, системные компоненты, команды, ключевые решения и события. Перед сохранением скилл показывает сводку и запрашивает подтверждение. После подтверждения запускается синхронизация с MemPalace и генерация статей с полнотекстовым индексом FTS5 через engine.py.

Для работы требуются установленные локально Python-скрипты в каталогах ~/.claude/skills/brain/scripts и ~/.coco/knowledge. Повторный запуск безопасен: скрипт сверяет хеши по манифесту и не дублирует уже сохранённые решения.

Какие задачи решает

  • создать локальную базу памяти SQLite для нового проекта
  • собрать архитектурные решения и участников из CLAUDE.local.md
  • составить каталог документации из папок docs и emails
  • проиндексировать знания проекта для полнотекстового поиска FTS5

Примеры запросов агенту

  • Инициализируй память проекта через /brain:init
  • Запусти /brain:init и просканируй документацию в docs/
  • Собери базу знаний проекта из CLAUDE.local.md с помощью /brain:init

Как установить brain:init

1Через Skills CLI (Vercel)

npx skills add coco-research/coco --skill brain:init -a claude-code

2Вручную: положить файлы

~/.claude/skills/brain-init/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/brain-init/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о brain:init

Как установить brain:init в Claude Code?

Выполните команду npx skills add coco-research/coco --skill brain-init -a claude-code. Также можно вручную поместить файл спецификации в ~/.claude/skills/brain-init/SKILL.md.

Что делает brain:init?

Он создаёт базу данных project_brain.db, считывает локальные заметки и генерирует поисковый индекс знаний по проекту.

Безопасно ли перезапускать команду в существующем проекте?

Да, скилл проверяет наличие базы данных и запускает только сканирование изменений. Записи сущностей обновляются через идемпотентные операции upsert.

Исходный текст

SKILL.md · MIT
---
name: brain:init
description: "Use when setting up project memory in a new folder or on the first brain:init in a project. Creates project_brain.db, registers the project, and bootstraps it from CLAUDE.local.md, memory files, docs, and emails; safe to re-run."
---

# /brain:init --- Initialize Project Brain

Sets up a new `project_brain.db` in the current working directory and bootstraps it from existing project knowledge.

## Procedure

### Step 1: Check existing state

Run:
```bash
python3 ~/.claude/skills/brain/scripts/brain/brain_cli.py info
```

- If **no DB exists** → proceed to Step 2 (full init)
- If **DB exists with project(s)** → skip to Step 3 (scan only). Tell user: "Brain already initialized. Running scan for new/changed files..."

### Step 2: Create the database and project record

Run:
```bash
python3 ~/.claude/skills/brain/scripts/brain/brain_cli.py init
```

Ask the user:
- **Project name** (e.g., "My Project A", "My Project B")
- **Slug** (short URL-safe identifier, e.g., "my-project-a", "my-project-b")
- **Description** (one-liner)

Then run:
```bash
python3 ~/.claude/skills/brain/scripts/brain/brain_cli.py add-project "{name}" --slug {slug} --desc "{description}"
```

If the project has sub-scopes (like ProjectA-Phase1 and ProjectA-Phase2 under one umbrella), ask if the user wants multiple project records.

### Step 3: Scan the project folder

Run the scanner to discover what's available:
```bash
python3 ~/.claude/skills/brain/scripts/brain/brain_cli.py scan
```

This returns a JSON report with:
- **manifest_diff**: new/changed/unchanged file counts, whether this is the first scan
- **files_to_process**: paths of new or changed files
- **knowledge_sources**: which CLAUDE.local.md, memory files, docs, and emails were found

Show the user a summary:
```
FOLDER SCAN
===========
First scan:     yes/no
Files found:    NN total (NN new, NN changed, NN unchanged)

Knowledge sources detected:
  CLAUDE.local.md:  found / not found
  CLAUDE.md:        found / not found
  Memory files:     N files (list names)
  Documents:        N files in docs/
  Emails:           N files in emails/
  Reference docs:   N files
```

If nothing to process (all unchanged): "Everything up to date. No new knowledge to extract." → done.

### Step 4: Extract knowledge from sources (Claude-driven)

Process sources in **priority order**. For each source, read the file, extract structured knowledge, and collect proposed writes. Do NOT write to the brain yet — collect everything first.

#### Priority 1: CLAUDE.local.md
If found, read the full file. Extract:
- **Sections like "Key Decisions"** → `decisions` (with date, decision text, decided_by if mentioned)
- **People mentioned by name** → `person` entities (with metadata like role, email, team if mentioned)
- **Systems/tools mentioned** → `system` entities (e.g., Snowflake, Postgres, Datadog)
- **Teams mentioned** → `team` entities
- **Folder structure sections** → `document` entities for key docs
- **Recent Changes entries** → `events` (with date, type, title)

#### Priority 2: Memory files (~/.claude/projects/.../memory/*.md)
Each memory file has frontmatter (name, description, type) and content. Read each file:
- **project type memories** → `decisions` or context to enrich existing entities
- **feedback type memories** → skip (these are Claude behavior guidance, not project knowledge)
- **reference type memories** → `system` or `document` entities with metadata

#### Priority 3: Document inventory
For each file in docs/, emails/, and Reference Doc/:
- Create a `document` entity with metadata: `{"path": "relative/path", "type": "doc|email|reference", "size": N}`
- Use the filename (cleaned) as the entity name
- Do NOT read the full content of every file — just register them in the inventory

#### Priority 4: CLAUDE.md (project-level, if exists)
Same extraction as CLAUDE.local.md but lower priority (may overlap).

### Step 5: Present extraction summary

Show proposed writes:
```
BRAIN BOOTSTRAP SUMMARY
========================
Project: {name} ({slug})

From CLAUDE.local.md:
  Entities:    N (list: name [type])
  Decisions:   N (list: short text)
  Events:      N (list: title)

From memory files:
  Decisions:   N (list: short text)
  Entities:    N (list: name [type])

Document inventory:
  Documents:   N (list: filename [doc|email|reference])

Total proposed writes: NN
```

Ask: **"Write all to brain? [Y/n/adjust]"**

### Step 6: Execute writes

On confirmation, write in this order using Python:
```python
import sys
sys.path.insert(0, '$HOME/.claude/skills/brain/scripts')
from brain.schema import get_db
from brain.operations import *
```

1. **Entities** — use `upsert_entity` (idempotent, safe to re-run)
2. **Relationships** — use `create_relationship` (also idempotent)
3. **Decisions** — use `create_decision` (check for duplicates by matching decision text before inserting)
4. **Events** — use `create_event` (check for duplicates by matching title + date)
5. **Document entities** — use `upsert_entity` with type="document"

After all writes, sync to MemPalace and brain.json:
```python
from brain.memory_bridge import full_sync
full_sync("project_brain.db", project_slug)
```

After writes complete, update the manifest:
```bash
python3 ~/.claude/skills/brain/scripts/brain/brain_cli.py scan-update
```

### Step 7: Report

```
BRAIN INITIALIZED
=================
DB:            {path}/project_brain.db
Project:       {name} ({slug})
Schema:        v1 (11 tables)

Bootstrapped from existing knowledge:
  Entities:      +N (total: N)
  Decisions:     +N (total: N)
  Events:        +N (total: N)
  Documents:     +N (total: N)
  Relationships: +N (total: N)

Manifest updated: N files tracked

Next: Run /brain-update at end of session, or /brain-rescan when files change.
```

### Step 8: Generate knowledge articles

After completing brain writes (Step 6) and confirming the manifest is updated (Step 6
scan-update), initialize the knowledge engine for this project.

**First, register the project with the knowledge engine:**

```python
import sys, os
sys.path.insert(0, os.path.expanduser("~/.coco/knowledge"))
from engine import KnowledgeEngine

engine = KnowledgeEngine()
engine.register_project("{slug}", os.path.abspath("project_brain.db"))
```

This is required before the cron can harvest the project. (FIX M1: register_project
must be called before running any cron phases.)

**Then, bootstrap article generation:**

```python
engine.full_refresh("{slug}")
```

Or equivalently via CLI:

```bash
python3 ~/.coco/knowledge/cron.py --run --project {slug} --phases 2,3,5
```

This runs:
- Phase 2 (harvest evidence from the brain DB you just populated + infer relationships)
- Phase 3 (generate articles for all entities — first run will generate all)
- Phase 5 (FTS5 index the new articles)

Show the user:
```
KNOWLEDGE ENGINE
================
Articles generated:  N
FTS5 indexed:        N
Estimated cost:      $0.XXX

Articles written to: ~/.coco/knowledge/articles/
Search with: /brain-wiki search "{project_name}"
```

**Skip this step silently if:**
- `~/.coco/knowledge/` does not exist (knowledge engine not installed)
- The `cron.py` call fails for any reason (non-blocking — brain init still succeeds)

---

## Important Rules

- **Dedup before writing.** Always check what exists in the DB before proposing new writes. Use `upsert_entity` which handles this automatically for entities.
- **Don't read every file.** For doc inventory, just register the file — don't parse 130KB HTML files to extract content. That's what `/brain-update` is for (conversation-driven).
- **Date everything.** Decisions and events need dates. Parse from the source if available, fall back to file modification date, then today.
- **Memory files are structured.** They have frontmatter — use the `type` field to decide what to extract.
- **Manifest tracks scan state.** Always run `scan-update` after writes so the next scan is incremental.

© coco-research · MIT · coco-research/coco

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
wiki-builder Rohit Ghumare Скилл wiki-builder для Claude Code создаёт структурированную базу знаний из Markdown-страниц с индексом FTS5 в SQLite. Она сохраняется между сессиями и доступна агенту из любого чата. CX Codex +1 ★ 2 966звёзд репо replay Rohit Ghumare Команда replay ищет накопленный опыт и прошлые ошибки в базе SQLite перед стартом задачи. Помогает вспомнить тонкости проекта и снизить число правок. CX Codex +1 ★ 2 966звёзд репо recall bledden recall сохраняет обмены Claude Code в локальной SQLite-базе. Он нужен, когда контекст приходится искать между сессиями или восстанавливать после очистки. ★ 23звёзд репо capy-cortex happycapy-ai Скилл capy-cortex ведёт локальную базу правил, антипаттернов и предпочтений агента и сама подсовывает нужные записи в контекст. Полезен, когда агент повторяет одни и те же ошибки от сессии к сессии. CX Codex +1 ★ 138звёзд репо claudex kunwar-shah MCP-сервер claudex для Claude Code, сохраняющий знания между сессиями и поиском прошлых разговоров. Хранит соглашения проекта, архитектуру и решения, позволяет искать контекст и возвращать его в новые сессии. CX Codex +1 ★ 97звёзд репо claude-memory-architecture gupsammy Правило claude-memory-architecture фиксирует внутреннюю архитектуру плагина claude-memory: хуки жизненного цикла сессий, схему базы SQLite, миграции и семантический поиск. CX Codex +1 ★ 276звёзд репо

Из того же набора82

Весь набор →
arch Команда для построения и проверки .arch/index.json — карты, которая связывает каждый компонент архитектуры с файлами, которые его реализуют. Находит, когда файлы и описание компонентов перестали совпадать. CX Codex +1 ★ 328звёзд репо develop Команда develop запускает многоагентный пайплайн разработки и исправления кода с разделением файлов между агентами и обязательной проверкой регрессий. CX Codex +1 ★ 328звёзд репо data-specialist Субагент data-specialist для исследовательского анализа данных, машинного обучения и оптимизации SQL-запросов под PostgreSQL, MySQL, SQL Server и Oracle. CX Codex ★ 328звёзд репо media-use Скилл media-use собирает музыку, звуки, иконки и логотипы для проекта HyperFrames, озвучивает текст и правит кадры. CX Codex +1 ★ 328звёзд репо pmstudio-sync Скилл pmstudio-sync переносит изменения из исходных файлов в связанные PRD, презентации и заметки. Он показывает предлагаемые правки и ждёт одобрения. CX Codex +1 ★ 328звёзд репо agent-lightning Скилл-справка по фреймворку Agent Lightning: как подключить сбор трейсов к агенту, поднять хранилище и прогнать обучение с подкреплением или оптимизацию промптов. CX Codex +1 ★ 328звёзд репо sync-init Команда sync-init настраивает автоматическую синхронизацию проекта каждые 2 часа: ищет письма в Outlook, отслеживает файлы и обновляет документы через Claude CLI. CX Codex +1 ★ 328звёзд репо test Команда test для Claude Code запускает полный цикл тестирования: анализ покрытия, генерацию тестов и проверку регрессии. Вызывается, когда нужно закрыть пробелы в покрытии или доказать, что тестовый набор работает. CX Codex +1 ★ 328звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой