Fagem

𝐴 𝑙𝑜𝑛𝑔, 𝑙𝑜𝑛𝑔 𝑡𝑖𝑚𝑒 𝑎𝑔𝑜, 𝑎𝑛𝑑 𝑖𝑛 𝑡ℎ𝑒 𝑛𝑒𝑎𝑟 𝑓𝑢𝑡𝑢𝑟𝑒.

[Fagem @fagemx]

我做了Edda，給Claude Code的自動記憶系統

零API成本，不用額外的LLM提取

解決Claude Code跨session的時候，與agent交代專案設定與進度，每次都從零開始的痛點

https://t.co/bZ24TqjAZH

[Fagem @fagemx]

AI agent 現在越來越會接著做事。

但我遇到的問題是：

文檔越寫越多，代理雖然接得住進度，接不住開發過程的慣例，開新session更是痛苦

如果你也遇過 agent 每次開新 session 都像重新入職，我這個 repo 可能會有用

Repo:
https://t.co/9L4Vpohgiw

[Fagem @fagemx]

@dotey 對寶玉老師這篇企業養蝦分析很有共鳴！完全同意「環境比模型重要」這句核心。

我之前那篇 agent environment 也拆成四層，正好可以對照：

【寶玉四層（企業養蝦）】
• 數據
• 數據關係
• 操作
• Agent 技能

【我當時拆的四層】
• 記憶環境
• 工作環境
• 社會環境
• 治理環境

兩套不同切面！但都強調環境放大代理的能力，企業需要的是「能讓 agent 持續工作、知識可傳承」的環境

[宝玉 @dotey]

https://t.co/0M8A3oXboc

[Fagem @fagemx]

@yanhua1010 直接說到我心坎裡,「設計環境、反饋回路和控制系統」用在垂直領域需要實作經驗也很燒腦

[Fagem @fagemx]

@garrytan https://t.co/7G39eB6aSS
目前最缺的是遊戲產業的領域經驗，評分權重、benchmark 數字、逼問問題都需要做過遊戲的人來校準。開 Issue填表就能貢獻，一條 gotcha、一個數字修正都很有價值。

[Fagem @fagemx]

我剛做完 gstack-game，一套基於 @garrytan /gstack，專門為遊戲開發重寫的 Claude Code skill system。

gstack 原本是 Web/SaaS 的 AI 工程工作流，我好奇，這套方法論能不能搬到完全不同的領域？

結論：可以，但「搬」skill 系統不是翻譯，是重建。

[Fagem @fagemx]

@garrytan 重寫的（領域靈魂）：
- 所有審查維度和逼問問題——用 MDA、SDT、Flow State 取代 SaaS 指標
- 新增入口 skill /game-import
- 新增遊戲專屬 skill（GDD 審查、數值平衡、玩家走查、企劃提案）
- 互動設計全面改造——每個 forcing question 都有 push pattern 和 escape hatch

[Fagem @fagemx]

@garrytan 搬過來的（工程骨架）：
- Template engine（SKILL.md.tmpl → 編譯 → SKILL.md）
- Preamble injection（改一處，22 個 skill 同步）
- 六個審查原理（量化評分、AUTO/ASK/ESCALATE、反諂媚、四段式提問、多維度交叉驗證、Completion Protocol）
- 共享存儲（skill 之間的產出自動串接）

[Fagem @fagemx]

@Gorden_Sun 圖很好看，流程一目了然。一個skill repo跑一個團隊分析，太值得試試了

[Fagem @fagemx]

https://t.co/F8LsljZNY5

[Fagem @fagemx]

Love this https://t.co/xAGU6jjcd0 approach by @heygurisingh
It's a game changer for teaching Claude Code not to repeat mistakes.

But what if you never had to update it manually?

Edda auto captures sessions, and injects perfect context next time, zero extra LLM calls.

Try it: https://t.co/JfPtyPA9SH

#ClaudeCode #AICoding

[Fagem @fagemx]

@rohit4verse Absolutely, the skill of building skills is one of the most important ones in recent times! Your guide nails it. It's like investing in a meta-tool that amplifies everything else.

[Fagem @fagemx]

Edda 跟其他記憶方案的差異：

- https://t.co/Qv6yRrLezs → 手動維護，無法 scale
- RAG / 向量資料庫 → 需要 embeddings + 雲端
- LLM 摘要 → 有損、每次查詢都要花錢

Edda → 本地 SQLite，確定性查詢，保留完整推理過程，每次查詢 $0。

[Fagem @fagemx]

我做了Edda，給Claude Code的自動記憶系統

零API成本，不用額外的LLM提取

解決Claude Code跨session的時候，與agent交代專案設定與進度，每次都從零開始的痛點

https://t.co/bZ24TqjAZH

[Fagem @fagemx]

運作方式：

1. Hooks 自動捕捉 session 活動
2. Session 結束時，Edda 消化 transcript 產生結構化事件
3. 下次 session 開始 → 相關 context 自動注入

不需要手動記錄。不需要 embeddings、向量資料庫、或 LLM 呼叫。

所有資料都在 .edda/（本地 SQLite）。

[Fagem @fagemx]

I'm claiming my AI agent "moonlighter" on @moltbook 🦞

Verification: aqua-CCTY

[Fagem @fagemx]

@mikefutia 🍌 BANANA

[Fagem @fagemx]

@sab8a Very excited

[Fagem @fagemx]

@hedra_labs @elevenlabs Character-3 is amazing! We'd love to use it in our product. Will there be an API available?

[Fagem @fagemx]

@dreamingtulpa

[Fagem @fagemx]

@dreamingtulpa