RAK je izgubio pamćenje? Dao sam PaiFlow memoriju i Skills, brzina pregleda se odmah udvostručila!

Danas ujutru, čim sam tražio od raka da radi, ovaj, zaboravio je juče sve.

Odmah je krenuo pogrešnim putem, moj GitCode zahtev za pregled je shvatio kao zahtev za digitalni identitet, i savesno ga sačuvao u USER.md.

Šta? Zašto? Prošla je samo jedna noć i rak je već izgubio pamćenje?

Ako ste i vi naišli na sličnu situaciju dok ste gajili raka, znači da je fajl MEMORY.md nestao.

Zato što proces gajenja raka zahteva mnogo debugovanja, na primer ja često koristim Claude Code za optimizaciju, pa je moguće da CC napravi grešku i pokvari naše gajenje raka.

Zato je u ranim fazama važno pretrčati kroz zamke.

U današnjem tekstu ću objasniti princip raka memorije i kako da naoružate raka sa Skills, da bude pametniji.

Kada razumete Memory i Skills, na intervjuu ćete moći lako da odgovorite na slična pitanja.

01. Zašto rak gubi pamćenje?

OpenClaw sam po sebi nema trajnu memoriju.

Svaki put kada otvorite novu sesiju, rak je prazan list, ništa ne pamti. Zadatak koji ste mu juče dali, proces koji je naučio, dogovori između vas — ništa od toga ne zna.

Zato što je mozak raka LLM, a LLM sam po sebi nema memoriju, zato smo napravili kontekst.

Drugim rečima, memorija raka zahteva fajl sistem.

Mehanizam je ovakav: svaki put kada otvorite novu sesiju, rak prvo pročita MEMORY.md fajl u radnom direktorijumu, iz njega obnovi kontekst. Zatim pročita današnji Daily fajl, uskladi Skills proces okidanja, izvrši, a zatim upiše novu memoriju nazad, da bi sledeća sesija nastavila da čita.

Zato razlog gubitka memorije može biti — juče sam koristio Claude Code da očistim sesiju, i zajedno sam obrisao i fajl memorije.

Bez MEMORY.md, rak više ništa ne zna.

02. Dajte raku memoriju

Rešenje je jednostavno: ponovo razgovarajte sa rakom, jasno mu recite da zapiše zadatak u MEMORY.md fajl.

Ponovo recite PaiFlow šta želimo da radi — pomozite mi da pregledam GitCode nalog.

Kada rak završi ovaj zadatak pregleda, recite mu direktno: zapamti, sledeći put ne gubi memoriju.

PaiFlow prima instrukciju, počinje da sređuje ključne informacije ove sesije i upisuje ih u MEMORY.md: za šta je odgovoran, gde je stranica za pregled, kako da pronađe korisnika.

Sledeći put kada otvorite novu sesiju, on pročita ovaj fajl i odmah zna šta treba da radi.

Da li će MEMORY.md postajati sve veći?

Ovo je dobro pitanje, zaista postoji taj rizik.

Na sreću, OpenClaw ima mehanizam sečenja, kompresije i sažimanja za to. Kada MEMORY.md pređe određenu veličinu ili se približi ograničenju kontekstnog prozora modela, OpenClaw automatski okida kompresiju: stari, ponavljajući sadržaj se sažima u rezime, zadržava se samo suština.

Konkretno, upravljanje memorijom je podeljeno u tri sloja:

• Dugoročna memorija se nalazi u MEMORY.md, to je baza suštine, beleži samo najvažnije stvari. Na primer, ja sam zadužen za GitCode pregled, stranica za pregled je xxx — takve nepromenljive ključne informacije.
• Kratkoročna memorija je kontekst tekuće sesije, briše se na kraju sesije, ne akumulira se.
• Log zapisi se upisuju u dnevni Daily fajl, koriste se za praćenje unazad, ali ne učestvuju direktno u izgradnji konteksta sledeće sesije.

Zato u praksi, MEMORY.md ne raste neograničeno. Više liči na pregrejan radni priručnik, koji rak pregleda pre svakog radnog dana, da zna šta danas treba da radi i kako.

Ako vam je veoma stalo do iskustva memorije, možete probati mem0, koji se može besprekorno integrisati sa glavnim AI okvirima i alatima.

https://docs.mem0.ai/integrations/openclaw

03. Učinite raka profesionalnijim pomoću Skills

Sa memorijom, rak sledeći put neće patiti od amnezije. Ali postoji još jedan problem: svaki put kada pregleda, mora iznova da razume zadatak, da listom traži ljude, da procenjuje da li da koristi dugme za poziv... svaki korak mora iznova da razmišlja, što troši vreme.

Može li se ovaj proces fiksirati, da rak ide po scenariju?

Može, i to je uloga Skills.

Kada rak završi ovaj pregled, recite mu: sačuvaj ovaj proces kao Skills.

PaiFlow prima instrukciju, kreira Skills fasciklu u radnom direktorijumu, generiše SKILL.md fajl, i u njega upisuje svaki korak procesa pregleda: prvo listom pronađi, ako ne nađeš koristi dugme za poziv, kada nađeš odobri zahtev, na kraju izvesti o promenama podataka.

Format ovog SKILL.md je fiksiran, YAML zaglavlje definiše ime veštine i opis okidanja, a Markdown telo opisuje konkretne korake. Sledeći put kada kažem pomozi mi da pregledam GitCode nalog, rak prepozna ovu nameru, automatski će učitati ovaj Skill, izvršiti po koracima, bez potrebe da izmišlja.

Kako rade Skills

Ovde ću malo razviti mehanizam Skills, što je od velike pomoći za razumevanje rasta raka.

Skills su prenosivi paketi sposobnosti organizovani po fasciklama, a ključni fajl je SKILL.md.

Koristi strategiju postupnog otkrivanja:

①. Pri pokretanju sesije, učitavaju se samo metapodaci Skills (ime i opis), da bi model brzo otkrio koje su veštine dostupne. Ovaj korak troši izuzetno malo tokena.

②. Kada se namera korisnika poklopi sa određenim Skillom, tek tada se učitava kompletan SKILL.md sadržaj, sa konkretnim instrukcijama za izvršenje.

③. Tokom izvršenja, ako su potrebni referentni materijali ili skripte, tek tada se po potrebi čitaju fajlovi iz references/ ili pokreću skripte iz scripts/ — skripte se izvršavaju, ne učitavaju se u kontekst, ovaj detalj je važan jer direktno određuje da potrošnja tokena ne raste linearno sa brojem Skills.

Da budemo jasni, Skills rešavaju tri problema: da se rak automatski okine u određenim scenarijima, da izvršava po unapred definisanom procesu, i da ne pati od amnezije zbog nove sesije.

Skill je mišićna memorija raka. Obična memorija je znati šta treba da se radi, mišićna memorija je odmah znati kako da se radi.

OpenClaw Skills dolaze iz tri izvora.

①. Bundled Skills (ugrađeni)

• ~/.nvm/.../node_modules/openclaw/skills/
• dolaze uz instalaciju OpenClaw, automatski se ažuriraju
• npr.: github, gemini, healthcheck

②. Plugin Skills (plugin)

• ~/.nvm/.../openclaw/extensions/feishu/skills/
• veštine koje dolaze uz plugin
• npr.: feishu-doc, feishu-wiki, feishu-drive

③. Personal Skills (lični)

• ~/.agents/skills/
• veštine koje je sam korisnik kreirao
• npr.: gitcode-approval, agent-browser
• neće biti prepisani od strane npm update

Lični Skills se mogu zasebno sačuvati u Git, tako da gde god se vaš rak preselio, neće biti izgubljeni.

04. Koliko je brže sa Skills

Pogledajmo testirane rezultate.

Nakon što sam instalirao Skills specifične za pregled, poslao sam isti nadimak, PaiFlow je krenuo direktno po scenariju, bez suvišnog procesa "razumevanja".

Dobra, ovaj put je brzina očigledno ubrzana.

Usput, možete u svakom trenutku postaviti ograničenja za raka, na primer da ne zatvara tab:

Ili, da ne radi automatsko osvežavanje, jer se GitCode sam osvežava:

Ova trenutna ograničenja su veoma fleksibilna, ne morate da regenerišete Skill, samo kažete u razgovoru, i rak će ovo ograničenje spojiti u tok izvršenja.

Sada je ukupna brzina pregleda mnogo veća i mnogo efikasnija.

Potrošnja Token

Nakon završetka izvršenja, otišao sam u session logs da pogledam potrošnju token za ovaj put:

Fokusirajte se na broj Cache Read: 83520 tokena, 83% hit rate.

Input      ~1.198 tokens (neto ulaz)
Output     ~122 tokens
Cache Read  83.520 tokens (83% hit rate, čitanje iz keša se ne naplaćuje)

To znači da je u ovom zadatku većina kontekstnih informacija pročitana iz keša. Postupni mehanizam otkrivanja Skills je ovde odigrao ulogu — pri ponovljenoj upotrebi istog Skilla, keš hit rate će biti sve veći, a trošak izvršenja sve niži.

Potrošnja token se uglavnom dešava na podatke stranice koje vraća browser snapshot, ali je 83% keširano (cacheRead), ako često pregledate, hit rate keša će biti još veći, a trošak niži.

05. Pregled celog procesa gajenja

Ako dodamo i jučerašnji sadržaj, naš zadatak gajenja raka je zvanično počeo, ovde ću napraviti kratak pregled:

Prvi korak, dodelite zadatak. Prirodnim jezikom recite raku šta da radi, ne trebaju vam precizni promptovi, neka sam razume i pokuša.

Drugi korak, upišite memoriju. Nakon što je zadatak izvršen, naterajte raka da zapiše ključne informacije u MEMORY.md, tako da pri sledećoj sesiji ne izgubi memoriju.

Treći korak, fiksirajte kao Skills. Kada proces prođe, naterajte raka da sačuva ovaj skup operacija kao Skill, od sada se okida direktno, bez ponovnog razumevanja.

Četvrti korak, neprestano doterivanje. Tokom izvršenja dajte ograničenja kad god želite, Skills se takođe može izmeniti u svakom trenutku, neka rak sve više odgovara vašim navikama.

Tri reči sažetka: razume, zapamti, vežbaj.

Prvi put razume, zapiši, vežbaj iznova, formiraj mišićnu memoriju.

Ova logika važi za ljude, i za raka podjednako.

ending

Ponekad mislimo da AI nije dovoljno pametan, zapravo u mnogo slučajeva nije to što on nije dovoljno pametan, već što mu nismo dali dovoljno dobro okruženje.

Rak bez memorije, svaki put mora iznova da kreće, naravno da će ponavljati greške. Kao i traženje posla, ko nikad ne pregleda šta je uradio, ne vežba algoritme, ne uči teorijska pitanja, ne unapređuje biografiju, ne unapređuje projekat, svaki put će se vratiti praznih ruku.

Da raku date Memory i napišete Skills, u suštini radite jednu stvar: gajite raka da postane onakav kakvog očekujete.

Ne samo za raka, i za nas same.

Jame koje ste pregazili ovog meseca, odluke koje ste doneli, metodologija koju ste izveli — ako to postoji samo u glavi, sledeći put kada naiđete na sličan problem opet morate iznova da razmišljate. Ali ako zapišete, taložite kao dokumente, procese, checkliste, pretvara se u nešto što možete direktno koristiti.

Memorija nije samo zapamćena, već pretvorena u sposobnost koju možete pozvati u svakom trenutku.

Vratimo se samom raku.

Pregled GitCode naloga je samo mali scenario primene, ali za mene koji svakodnevno pregleda desetine naloga, zaista štedi dosta truda.

Samo treba da bacim nadimke svih na Feishu, mogu i sa mobilnog i sa klijenta, a onda mogu da radim druge stvari.

Kasnije mogu pokušati da nateram ljude da popune u Feishuu, a onda prebacim raku da radi, efikasnost bi trebalo da bude veća.

Gajite raka koji zaista zna da radi.

Efikasnost je uvek važnija od sigurnosti, ne izbegavajte pokušaj zbog brige o sigurnosti.

Vidimo se u sledećem.