# evo-memory

Копит знание между циклами: какие направления исследований работают, а какие провалились, и какие стратегии обучения стоит повторить.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 387 установок · ★ 481
- Автор: EvoScientist
- Лицензия: Apache-2.0 · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/EvoScientist/EvoSkills/tree/HEAD/skills/evo-memory/SKILL.md
- Обновлён: 2026-09-30
- HTML: https://affpapa.org/nevibecode/skills/evo-memory

## Что делает

Скилл ведёт два хранилища. В Ideation Memory (`/memory/ideation-memory.md`) попадают направления исследований: перспективные и тупиковые, с пометкой, почему идея не сработала. В Experimentation Memory (`/memory/experiment-memory.md`) — переиспользуемые стратегии: обработка данных, обучение модели, архитектура, отладка. Каждая запись хранит контекст, доказательство из конкретного цикла и дату.

Знание обновляют три механизма. IDE разбирает итоги research-ideation и вытаскивает направления из турнирной таблицы. IVE срабатывает после провала эксперимента и делит причины на ошибки реализации и фундаментальные ограничения. ESE работает после успеха и вытягивает из него стратегию, которую можно применить снова. Для IDE скилл берёт готовый промпт из `references/paper-prompts.md` и подставляет цель исследования и топ идей из `/direction-summary.md`.

Дальше направления абстрагируют до переносимого уровня: узкая формулировка вроде выбора признаков для облака точек превращается в общий приём для разреженных данных. Скилл пишет и правит файлы памяти, поэтому запускать его стоит после того, как цикл действительно закрыт — иначе в хранилище осядут промежуточные выводы. Это не инструмент для самих экспериментов: запуск, отладка кода и генерация идей лежат на других скиллах.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add EvoScientist/EvoSkills --skill evo-memory -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/evo-memory/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/evo-memory/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add EvoScientist/EvoSkills --skill evo-memory -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/evo-memory/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add EvoScientist/EvoSkills --skill evo-memory -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/evo-memory/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install EvoScientist/EvoSkills evo-memory
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/evo-memory/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add EvoScientist/EvoSkills --skill evo-memory -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/EvoScientist/EvoSkills --path skills/evo-memory
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/evo-memory/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add EvoScientist/EvoSkills --skill evo-memory -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/EvoScientist/EvoSkills/tree/HEAD/skills/evo-memory/SKILL.md

## Когда брать
- запомнить, какие направления исследований уже провалились и почему
- отличить ошибку реализации от фундаментального ограничения метода
- вытащить переиспользуемую стратегию из удачного эксперимента
- подгрузить прошлый опыт в начале нового цикла
- не повторять одни и те же тупиковые подходы из проекта в проект

## Примеры запросов агенту
- обнови память по итогам research-ideation, направление — сжатие видео в реальном времени
- эксперимент упал на обучении: разберись, это ошибка реализации или фундаментальная проблема
- что у нас уже работало по обработке шумных сенсорных данных?

## Похожие
- [deep-agents-memory](https://affpapa.org/nevibecode/skills/deep-agents-memory.md) — скилл · 19000 установок
- [agent-memory-systems](https://affpapa.org/nevibecode/skills/sickn33-agent-memory-systems.md) — скилл · 2000 установок
- [AgentDB Memory Patterns](https://affpapa.org/nevibecode/skills/agentdb-memory-patterns.md) — скилл · 1100 установок
- [memory-search](https://affpapa.org/nevibecode/skills/ruvnet-memory-search.md) — скилл · 750 установок
- [memory-systems](https://affpapa.org/nevibecode/skills/memory-systems.md) — скилл · 393 установки
- [jetson-memory-audit](https://affpapa.org/nevibecode/skills/jetson-memory-audit.md) — скилл · 1200 установок

Из того же набора: [evoscientist/evoskills](https://affpapa.org/nevibecode/by/evoscientist/evoskills.md) — 11 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md