Ein lokaler, einwilligungsbasierter Memory-Skill, der es AI-Agenten ermöglicht, sich durch explizites Feedback an Ihre spezifischen Codierungsstile und Stack-Präferenzen anzupassen.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install coding-custom
2. Manuelle Installation
Kopiere den Skill-Ordner an einen dieser Orte
~/.openclaw/skills/ <project>/skills/ Priorität: Workspace > Lokal > Integriert (Bundled)
3. Prompt-Installation
Kopiere diesen Prompt in OpenClaw, um ihn automatisch zu installieren.
Hilf mir, coding-custom über Clawhub zu installieren. Falls Clawhub nicht installiert ist, installiere es bitte zuerst (npm i -g clawhub).
Lieber herunterladen?
Hole dir die rohen Skill-Dateien in einem ZIP-Archiv.
Was ist Coding Style Memory?
Der Coding-Skill ist eine anspruchsvolle Speicherebene für Entwickler, die möchten, dass ihre AI-Agenten über verschiedene Sitzungen hinweg Konsistenz wahren. Im Gegensatz zu herkömmlichen Agenten, die halluzinieren oder Ihre spezifischen Formatierungsregeln vergessen könnten, erstellt dieses Tool ein gestuftes lokales Speichersystem, das Ihre expliziten Korrekturen und Bestätigungen aufzeichnet. Es fungiert als Brücke zwischen Ihren persönlichen Entwicklungsstandards und der Output-Generierung der AI.
Als Teil des Openclaw Skills-Ökosystems entwickelt, priorisiert es Nutzersouveränität und Privatsphäre. Der Skill scannt niemals Ihre privaten Repositories oder beobachtet Ihr Verhalten im Stillen; stattdessen wartet er auf explizite Anweisungen zum Lernen, um sicherzustellen, dass der Speicher sauber, relevant und strikt vom Entwickler kontrolliert bleibt.
Coding Style Memory Anwendungsfälle
- Durchsetzung spezifischer Linting- oder Benennungskonventionen (z. B. snake_case vs. camelCase) über alle von der AI generierten Dateien hinweg.
- Beibehaltung eines konsistenten Tech-Stacks und konsistenter Bibliotheksversionen, um zu verhindern, dass die AI veraltete oder irrelevante Abhängigkeiten vorschlägt.
- Speicherung organisatorischer Architekturmuster, wie bevorzugte Ordnerstrukturen oder Teststrategien.
- Archivierung abgelehnter Muster, um sicherzustellen, dass der Agent niemals zuvor verworfene Lösungen vorschlägt.
So funktioniert Coding Style Memory
- Zu Beginn einer Sitzung lädt der Agent vorhandene Präferenzen aus ~/coding/memory.md.
- Wenn der Benutzer die Ausgabe der AI korrigiert, löst der Skill eine Anfrage aus, um zu prüfen, ob die Präferenz dauerhaft gespeichert werden soll.
- Nach Bestätigung durch den Benutzer wird die Präferenz in ein ultrakompaktes Format (5 Wörter oder weniger) destilliert.
- Neue Einträge werden in die Kategorien Stack, Style, Structure oder Never innerhalb der lokalen Speicherdatei kategorisiert.
- Der Skill überwacht die Dateigröße und archiviert ältere Einträge automatisch in history.md, wenn der aktive Speicher 100 Zeilen überschreitet, um Kontext-Aufblähung zu vermeiden.
Coding Style Memory Einrichtung
Um diesen Skill mit Ihrem Agenten zu nutzen, stellen Sie sicher, dass das lokale Verzeichnis existiert:
mkdir -p ~/coding
Sie können den Skill-Lebenszyklus mit Standard-Openclaw Skills-Befehlen verwalten:
clawhub sync
# To support the project
clawhub star coding
Coding Style Memory Datenschema & Taxonomie
Der Skill organisiert seinen Speicher im Verzeichnis ~/coding/ mithilfe einer gestuften Markdown-Struktur:
| File | Purpose | Limit |
|---|---|---|
memory.md |
Aktive Präferenzen mit hoher Priorität, die im Kontext verwendet werden. | Max. 100 Zeilen |
history.md |
Archivierte Präferenzen und alte Muster. | Unbegrenzt |
criteria.md |
Definitionen dafür, wann eine Präferenz es wert ist, gespeichert zu werden. | N/A |
dimensions.md |
Taxonomie für Präferenzkategorien (Stack, Style usw.). | N/A |
Eintragsformat:
Präferenzen werden als kurze, durch Doppelpunkt getrennte Zeichenfolgen wie python: prefer 3.11+ oder naming: snake_case gespeichert.
Coding Style Memory Erweiterte Funktionen
- Automatische Archivierung: Verschiebt weniger häufige Präferenzen intelligent nach history.md, um eine hohe Leistung und niedrige Kontextkosten aufrechtzuerhalten.
- Kontext-Injektion: Wendet gespeicherte Regeln nahtlos auf jeden Codegenerierungs-Prompt an, ohne dass ein manuelles Eingreifen des Benutzers erforderlich ist.
- Multi-Agenten-Unterstützung: Da die Daten in Standard-Markdown-Dateien in einem vorhersehbaren lokalen Pfad gespeichert werden, können mehrere Openclaw Skills mit demselben Präferenzsatz interagieren.
- Semantische Konsolidierung: Fähigkeit, ähnliche Einträge zusammenzuführen (z. B. Zusammenführen mehrerer 'no-tooling'-Präferenzen), um Platz zu sparen.
SKILL.md
Laden
Verwandte Openclaw-Skills
Book Highlights
Ein spezialisierter AI Agent Skill, der entwickelt wurde, um die wirkungsvollsten Highlights, Zitate und Kernkenntnisse aus einer umfangreichen Buchbibliothek zu extrahieren und zu formatieren.
CrewAI
CrewAI ist ein hochentwickeltes Multi-Agent-Orchestrierungs-Framework, das Entwicklern hilft, kollaborative AI-Systeme aufzubauen, in denen spezialisierte Agenten zusammenarbeiten, um komplexe Aufgaben zu lösen.
Analyse-Tool für Filialanwesenheit
Ein automatisiertes Analyse-Tool zur Verarbeitung komplexer Mitarbeiter-Anwesenheitslisten und zur Erstellung professioneller Berichte in den Formaten docx und xlsx.
DeFi Scout
DeFi Scout liefert Echtzeit-On-Chain-Finanzdaten, die Renditen, Preise und den Zustand von Protokollen im gesamten Optimism- und Base-Ökosystem abdecken.
GraphCare
Ein Zero-Trust-Scanner für strukturelle Datenbanken, der die Schema-Topologie auf Leistungsengpässe und Integritätslücken prüft, ohne auf Zeilendaten zuzugreifen.
Knowledge Capture
Ein intelligentes Wissensmanagement- und adaptives Wiederholungssystem, das Gespräche in strukturierte Markdown-Notizen und automatisierte Lernpläne umwandelt.
Hervorgehoben*
