Requirements
- Target platform
- OpenClaw
- Install method
- Manual import
- Extraction
- Extract archive
- Prerequisites
- OpenClaw
- Primary doc
- SKILL.md
Tencent SkillHub · AI
Firm Hebbian Memory
Système de mémoire adaptative hebbienne pour Claude.md — transforme les logs de sessions en patterns pondérés qui renforcent ou atrophient les règles de trav...
skill openclawclawhub Free
Système de mémoire adaptative hebbienne pour Claude.md — transforme les logs de sessions en patterns pondérés qui renforcent ou atrophient les règles de trav...
⬇ 0 downloads ★ 0 stars Unverified but indexed
Install for OpenClaw
Quick setup
- Download the package from Yavira.
- Extract the archive and review SKILL.md first.
- Import or place the package into your OpenClaw setup.
Package facts
- Download mode
- Yavira redirect
- Package format
- ZIP package
- Source platform
- Tencent SkillHub
- What's included
- SKILL.md
Validation
- Use the Yavira download entry.
- Review SKILL.md after the package is downloaded.
- Confirm the extracted package contains the expected setup assets.
Install with your agent
Agent handoff
Hand the extracted package to your coding agent with a concrete install brief instead of figuring it out manually.
- Download the package from Yavira.
- Extract it into a folder your agent can access.
- Paste one of the prompts below and point your agent at the extracted folder.
New install
I downloaded a skill package from Yavira. Read SKILL.md from the extracted folder and install it by following the included instructions. Tell me what you changed and call out any manual steps you could not complete.
Upgrade existing
I downloaded an updated skill package from Yavira. Read SKILL.md from the extracted folder, compare it with my current installation, and upgrade it while preserving any custom configuration unless the package docs explicitly say otherwise. Summarize what changed and any follow-up checks I should run.
Trust & source
Release facts
- Source
- Tencent SkillHub
- Verification
- Indexed source record
- Version
- 1.0.0
Provenance
- Publisher
- romainsantoli-web
- Source page
- View original listing
- Canonical URL
- Open canonical page
Documentation
firm-hebbian-memory
⚠️ Contenu généré par IA — validation humaine requise avant déploiement en production.
Purpose
Ce skill rend le Claude.md vivant et auto-évolutif via des mécanismes inspirés de la plasticité synaptique hebbienne. Les patterns de travail qui se répètent sont renforcés, ceux qui deviennent obsolètes s'atrophient naturellement. Inspiration neurobiologique : Plasticité hebbienne → renforcement des poids Layer 2 par co-activation Mémoire hippocampique → stockage épisodique en base vectorielle (pgvector) Consolidation néocorticale → job d'analyse transformant les épisodes en schémas
Architecture — 4 couches Claude.md (CDC §3.3)
CoucheNomModificationLayer 1CORE (immuable)Humain uniquementLayer 2CONSOLIDATED PATTERNSAuto-mise à jour (poids hebbiens)Layer 3EPISODIC INDEXAuto-mise à jour (pointeurs sessions)Layer 4META INSTRUCTIONSLecture seule pour le système auto
Runtime (2 tools)
openclaw_hebbian_harvest — ingest JSONL session logs → SQLite (PII stripped) openclaw_hebbian_weight_update — calcul/application des poids hebbiens (dry_run par défaut)
Audit (6 tools)
openclaw_hebbian_analyze — analyse co-activation patterns (Jaccard) openclaw_hebbian_status — dashboard poids, atrophie, promotions openclaw_hebbian_layer_validate — validation structure 4 couches openclaw_hebbian_pii_check — audit config PII stripping openclaw_hebbian_decay_config_check — validation paramètres hebbiens openclaw_hebbian_drift_check — détection drift sémantique vs baseline
Formule de mise à jour des poids (CDC §4.3)
nouveau_poids = ancien_poids + (learning_rate × activation) - (decay × (1 - activation)) # Paramètres par défaut learning_rate = 0.05 # Renforcement si activée decay = 0.02 # Atrophie si non-activée poids_min = 0.0 # Floor — suppression si < 0.10 poids_max = 0.95 # Ceiling — promotion CORE si > 0.95
Seuils de consolidation
TransitionConditionÉpisodique → ÉmergentActivé 5 sessions consécutivesÉmergent → Fortpoids > 0.8 sur 20 sessionsFort → COREValidation humaine obligatoireAtrophie → Suppressionpoids < 0.10 pendant 4 semaines + PR humaine
Sécurité (CDC §5.2)
PII stripping obligatoire : regex sur emails, phones, IPs, API keys, SSN, JWT, AWS keys, chemins Unix home Secrets détectés : session rejetée + alerte immédiate Accès BDD : localhost/VPN uniquement Rotation embeddings : policy de ré-embedding si fuite suspectée Réversibilité : chaque modification = 1 commit Git atomique Path whitelist : configurable via HEBBIAN_ALLOWED_DIRS (env) — protège containers/multi-user
Limitations connues (PII)
Le stripping regex couvre les catégories les plus courantes (10 patterns) mais ne détecte pas les credentials embarqués dans des URLs de connexion (e.g. postgres://user:password@host/db) ni les variables d'environnement loguées dans des stack traces (DB_URL=...). Un scanner de secrets dédié (e.g. trufflehog, detect-secrets) est recommandé en complément pour les environnements à haute sensibilité.
Anti-dérive (CDC §5.1)
Aucune règle ne peut atteindre poids = 1.0 automatiquement (max 0.95) Détecteur de drift : alerte si cosine similarity vs baseline < 0.7 3 changements auto consécutifs → review forcée Snapshot mensuel archivé en Git tag
Pipeline global
[ Session Claude Code ] ↓ fin de session [ openclaw_hebbian_harvest ] → extrait résumé + tags + règles (PII stripped) ↓ [ SQLite local ] → stockage épisodique structuré ↓ [ openclaw_hebbian_analyze ] → clustering Jaccard + co-activations ↓ [ openclaw_hebbian_weight_update ] → mise à jour Layer 2 (dry_run=True) ↓ [ Human Review ] → validation avant application (dry_run=False)
Hook post-session (MVP)
Sans hook automatique, l'ingestion reste manuelle — adoption = zéro. Voici le minimum pour boucler le pipeline dès le MVP.
Option A — Script shell (le plus simple)
Créer ~/.openclaw/hooks/post-session.sh : #!/usr/bin/env bash # Hook post-session: ingest le dernier JSONL automatiquement set -euo pipefail SESSION_LOG="${1:-$(ls -t ~/.openclaw/sessions/*.jsonl 2>/dev/null | head -1)}" [ -z "$SESSION_LOG" ] && exit 0 # Appel MCP via curl (le serveur doit tourner sur :8012) curl -s -X POST http://localhost:8012/mcp \ -H "Content-Type: application/json" \ -d "{ \"method\": \"tools/call\", \"params\": { \"name\": \"openclaw_hebbian_harvest\", \"arguments\": {\"session_jsonl_path\": \"$SESSION_LOG\"} } }" | jq '.result.ingested // .error'
Option B — Entrée cron (automatisation passive)
# Toutes les 30 min, ingérer les nouveaux JSONL */30 * * * * /bin/bash ~/.openclaw/hooks/post-session.sh >> ~/.openclaw/hebbian-harvest.log 2>&1
Option C — Intégration pi-coding-agent
Si le projet utilise pi-coding-agent, ajouter dans sa config : { "hooks": { "post_session": { "command": "~/.openclaw/hooks/post-session.sh", "trigger": "on_session_end" } } } Note : Le hook ne déclenche que le harvest (lecture). La mise à jour des poids (weight_update) reste toujours manuelle avec dry_run=True par défaut — conformément à la règle absolue n°1 du CDC.
Adaptation OpenClaw
Composant CDCAdaptation OpenClawHook post-sessionLecture fichiers .jsonl de pi-coding-agentClaude.md Layer 2Skills OpenClaw (.md ou .json)Claude.md Layer 4Extension pi-coding-agent dédiéeGitHub PR for reviewPR sur repo privé skillsSecrets strippingRenforcé — 9 patterns regex + détection runtime
Configuration requise
{ "hebbian": { "parameters": { "learning_rate": 0.05, "decay": 0.02, "poids_min": 0.0, "poids_max": 0.95 }, "thresholds": { "episodic_to_emergent": 5, "emergent_to_strong": 0.8 }, "pii_stripping": { "enabled": true, "patterns": ["email", "phone", "ip", "api_key", "ssn"] }, "security": { "secret_detection": true, "access_restriction": "localhost", "embedding_rotation": "on_breach" }, "anti_drift": { "max_consecutive_auto_changes": 3 } } }
Référence
CDC : cahier_des_charges_memoire_hebbienne.md v1.0.0 Module : src/hebbian_memory.py Modèles : 8 classes Pydantic dans src/models.py
💎 Support
Si ce skill vous est utile, vous pouvez soutenir le développement : Dogecoin : DQBggqFNWsRNTPb6kkiwppnMo1Hm8edfWq
Category context
Agent frameworks, memory systems, reasoning layers, and model-native orchestration.
Source: Tencent SkillHub
Largest current source with strong distribution and engagement signals.
Package contents
Included in package
1 Docs
- SKILL.md