Una habilidad de memoria local basada en el consentimiento que permite a los agentes de AI adaptarse a sus estilos de codificación y preferencias de stack específicos mediante comentarios explícitos.
Instalar y Descargar
1. ClawHub CLI
La forma más rápida de instalar una habilidad directamente desde el registro.
npx clawhub@latest install coding-custom
2. Instalación manual
Copia la carpeta de la habilidad a una de estas ubicaciones
~/.openclaw/skills/ <project>/skills/ Prioridad: Espacio de trabajo > Local > Integrado
3. Instalación del prompt
Copia este prompt en OpenClaw para instalarlo automáticamente.
Ayúdame a instalar coding-custom usando Clawhub. Si Clawhub no está instalado, instálalo primero (npm i -g clawhub).
¿Prefieres descargar?
Obtén los archivos originales de la habilidad en un archivo ZIP.
¿Qué es Coding Style Memory?
La habilidad Coding es una capa de memoria sofisticada diseñada para desarrolladores que desean que sus agentes de AI mantengan la coherencia entre diferentes sesiones. A diferencia de los agentes tradicionales que podrían alucinar o olvidar sus reglas de formato específicas, esta herramienta crea un sistema de almacenamiento local por niveles que registra sus correcciones y confirmaciones explícitas. Actúa como un puente entre sus estándares de desarrollo personales y la generación de resultados de la AI.
Construida como parte del ecosistema Openclaw Skills, prioriza la soberanía y la privacidad del usuario. La habilidad nunca escanea sus repositorios privados ni observa su comportamiento de forma silenciosa; en su lugar, espera instrucciones explícitas para aprender, lo que garantiza que la memoria se mantenga limpia, relevante y estrictamente controlada por el desarrollador.
Casos de uso de Coding Style Memory
- Imponer convenciones específicas de linting o nomenclatura (por ejemplo, snake_case frente a camelCase) en todos los archivos generados por AI.
- Mantener un stack tecnológico y versiones de biblioteca consistentes para evitar que la AI sugiera dependencias obsoletas o irrelevantes.
- Almacenar patrones arquitectónicos organizativos, como estructuras de carpetas preferidas o estrategias de prueba.
- Archivar patrones rechazados para garantizar que el agente nunca sugiera soluciones descartadas previamente.
Cómo funciona Coding Style Memory
- Al inicio de una sesión, el agente carga las preferencias existentes desde ~/coding/memory.md.
- Cuando el usuario corrige la salida de la AI, la habilidad activa una consulta para ver si la preferencia debe ser permanente.
- Tras la confirmación del usuario, la preferencia se destila en un formato ultracompacto (5 palabras o menos).
- Las nuevas entradas se clasifican en las categorías Stack, Style, Structure o Never dentro del archivo de memoria local.
- La habilidad supervisa el tamaño del archivo, archivando automáticamente las entradas más antiguas en history.md cuando la memoria activa supera las 100 líneas para evitar la saturación del contexto.
Configuración de Coding Style Memory
Para empezar a usar esta habilidad con su agente, asegúrese de que el directorio local existe:
mkdir -p ~/coding
Puede gestionar el ciclo de vida de la habilidad utilizando los comandos estándar de Openclaw Skills:
clawhub sync
# To support the project
clawhub star coding
Esquema de datos y taxonomía de Coding Style Memory
La habilidad organiza su memoria dentro del directorio ~/coding/ utilizando una estructura markdown por niveles:
| File | Purpose | Limit |
|---|---|---|
memory.md |
Preferencias activas y de alta prioridad utilizadas en contexto. | Máx. 100 líneas |
history.md |
Preferencias archivadas y patrones antiguos. | Ilimitado |
criteria.md |
Definiciones de cuándo una preferencia merece ser guardada. | N/A |
dimensions.md |
Taxonomía para categorías de preferencias (Stack, Style, etc.). | N/A |
Formato de entrada:
Las preferencias se almacenan como cadenas cortas separadas por dos puntos, como python: prefer 3.11+ o naming: snake_case.
Funciones avanzadas de Coding Style Memory
- Archivado automático: mueve de forma inteligente las preferencias menos frecuentes a history.md para mantener un alto rendimiento y bajos costes de contexto.
- Inyección de contexto: aplica sin problemas las reglas almacenadas a cada solicitud de generación de código sin intervención manual del usuario.
- Soporte multi-agente: debido a que los datos se almacenan en archivos Markdown estándar en una ruta local predecible, múltiples Openclaw Skills pueden interactuar con el mismo conjunto de preferencias.
- Consolidación semántica: capacidad de fusionar entradas similares (por ejemplo, fusionar varias preferencias de 'no-tooling') para ahorrar espacio.
SKILL.md
Cargando
Habilidades relacionadas de Openclaw
Book Highlights
Una habilidad de agente de AI especializada diseñada para extraer y formatear los fragmentos, citas e ideas principales más impactantes de una extensa biblioteca de libros.
CrewAI
CrewAI es un sofisticado marco de orquestración multi-agente diseñado para ayudar a los desarrolladores a construir sistemas de AI colaborativos donde agentes especializados trabajan juntos para resolver tareas complejas.
Analizador de Asistencia de Sucursal
Una herramienta de análisis automatizada para procesar registros de asistencia de empleados complejos y generar informes profesionales en docx y xlsx.
DeFi Scout
DeFi Scout ofrece inteligencia financiera on-chain en tiempo real, cubriendo rendimientos, precios y salud de protocolos en los ecosistemas de Optimism y Base.
GraphCare
Un escáner estructural de bases de datos zero-trust que audita la topología del schema en busca de cuellos de botella de rendimiento y brechas de integridad sin acceder a los datos de las filas.
Knowledge Capture
Un sistema inteligente de gestión del conocimiento y revisión adaptativa que convierte conversaciones en notas Markdown estructuradas y planes de estudio automatizados.
Presentado*
