Une compétence de mémoire locale, basée sur le consentement, qui permet aux agents AI de s'adapter à vos styles de codage et préférences de stack spécifiques grâce à un feedback explicite.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install coding-custom
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer coding-custom via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Coding Style Memory ?
La compétence Coding est une couche de mémoire sophistiquée conçue pour les développeurs qui souhaitent que leurs agents AI maintiennent une cohérence à travers différentes sessions. Contrairement aux agents traditionnels qui pourraient halluciner ou oublier vos règles de formatage spécifiques, cet outil crée un système de stockage local hiérarchisé qui enregistre vos corrections et confirmations explicites. Il agit comme un pont entre vos standards de dév personnels et la génération de sortie de l'AI.
Construit dans le cadre de l'écosystème Openclaw Skills, il donne la priorité à la souveraineté et à la confidentialité de l'utilisateur. La compétence ne scanne jamais vos dépôts privés et n'observe pas votre comportement en silence ; au lieu de cela, elle attend des instructions explicites pour apprendre, garantissant que la mémoire reste propre, pertinente et strictement contrôlée par le développeur.
Cas d'utilisation de Coding Style Memory
- Imposer des conventions spécifiques de linting ou de nommage (par ex. snake_case vs camelCase) sur tous les fichiers générés par AI.
- Maintenir une stack technologique et des versions de bibliothèques cohérentes pour empêcher l'AI de suggérer des dépendances obsolètes ou non pertinentes.
- Stocker des modèles architecturaux organisationnels, tels que des structures de dossiers préférées ou des stratégies de test.
- Archiver les modèles rejetés pour s'assurer que l'agent ne suggère jamais de solutions précédemment écartées.
Comment fonctionne Coding Style Memory
- Au début d'une session, l'agent charge les préférences existantes depuis ~/coding/memory.md.
- Lorsque l'utilisateur corrige la sortie de l'AI, la compétence déclenche une demande pour voir si la préférence doit être permanente.
- Après confirmation de l'utilisateur, la préférence est distillée dans un format ultra-compact (5 mots ou moins).
- Les nouvelles entrées sont classées dans les catégories Stack, Style, Structure ou Never dans le fichier de mémoire locale.
- La compétence surveille la taille du fichier, archivant automatiquement les entrées plus anciennes dans history.md lorsque la mémoire active dépasse 100 lignes pour éviter l'encombrement du contexte.
Configuration de Coding Style Memory
Pour commencer à utiliser cette compétence avec votre agent, assurez-vous que le répertoire local existe :
mkdir -p ~/coding
Vous pouvez gérer le cycle de vie de la compétence en utilisant les commandes standard d'Openclaw Skills :
clawhub sync
# To support the project
clawhub star coding
Schéma de données et taxonomie de Coding Style Memory
La compétence organise sa mémoire dans le répertoire ~/coding/ en utilisant une structure markdown hiérarchisée :
| File | Purpose | Limit |
|---|---|---|
memory.md |
Préférences actives et de haute priorité utilisées en contexte. | Max 100 lignes |
history.md |
Préférences archivées et anciens modèles. | Illimité |
criteria.md |
Définitions du moment où une préférence mérite d'être sauvegardée. | N/A |
dimensions.md |
Taxonomie pour les catégories de préférences (Stack, Style, etc.). | N/A |
Format d'entrée :
Les préférences sont stockées sous forme de chaînes courtes séparées par deux points, telles que python: prefer 3.11+ ou naming: snake_case.
Fonctionnalités avancées de Coding Style Memory
- Archivage Automatique : Déplace intelligemment les préférences moins fréquentes vers history.md pour maintenir des performances élevées et des coûts de contexte faibles.
- Injection de Contexte : Applique de manière transparente les règles stockées à chaque invite de génération de code sans intervention manuelle de l'utilisateur.
- Support Multi-Agent : Comme les données sont stockées dans des fichiers Markdown standards dans un chemin local prévisible, plusieurs Openclaw Skills peuvent s'interfacer avec le même ensemble de préférences.
- Consolidation Sémantique : Capacité à fusionner des entrées similaires (par ex. fusionner plusieurs préférences 'no-tooling') pour gagner de l'espace.
SKILL.md
Chargement
Compétences Openclaw associées
Book Highlights
Une compétence d'agent AI spécialisée conçue pour extraire et formater les extraits, citations et idées centrales les plus percutants d'une vaste bibliothèque de livres.
CrewAI
CrewAI est un cadre d'orchestration multi-agents sophistiqué conçu pour aider les développeurs à créer des systèmes d'AI collaboratifs où des agents spécialisés travaillent ensemble pour résoudre des tâches complexes.
Analyseur de Présence en Agence
Un outil d'analyse automatisé pour traiter les registres de présence complexes des employés et générer des rapports professionnels aux formats docx et xlsx.
DeFi Scout
DeFi Scout fournit une intelligence financière on-chain en temps réel, couvrant les rendements, les prix et la santé des protocoles à travers les écosystèmes Optimism et Base.
GraphCare
Un scanner structurel de base de données zero-trust qui audite la topologie du schema pour détecter les goulots d'étranglement de performance et les failles d'intégrité sans accéder aux données des lignes.
Knowledge Capture
Un système intelligent de gestion des connaissances et de révision adaptative qui convertit les conversations en notes Markdown structurées et en plans d'étude automatisés.
En vedette*
