skill-depot : Un système de mémoire et de compétences local-first pour agents IA compatibles MCP

Ce que fait skill-depot

skill-depot résout le problème de l'accumulation des compétences et connaissances des agents IA dans des répertoires dispersés. Au lieu de tout charger dans le contexte (gaspillant des tokens) ou de ne rien charger (oubliant le matériel appris), il fournit un système de récupération qui stocke les connaissances des agents sous forme de fichiers Markdown et utilise des embeddings vectoriels pour rechercher sémantiquement et charger sélectivement uniquement ce qui est pertinent.

Comment cela fonctionne

Les agents interagissent avec skill-depot à travers trois niveaux de détail :

• skill_search("requête") renvoie les résultats de recherche avec nom, score et extrait
• skill_preview("nom-compétence") renvoie un aperçu structuré avec titres et première phrase par section
• skill_read("nom-compétence") renvoie le contenu Markdown complet

L'outil skill_learn permet aux agents de créer ou d'ajouter des connaissances à la volée, renvoyant des actions comme "créé" ou "ajouté" avec les tags fusionnés.

Implémentation technique

• Embeddings : Utilise le modèle de transformateur local all-MiniLM-L6-v2 via ONNX (vecteurs 384-dim, téléchargement unique d'environ 80 Mo)
• Stockage : SQLite + sqlite-vec pour la recherche vectorielle
• Solution de repli : Recherche par fréquence de termes BM25 lorsque le modèle n'est pas disponible
• Protocole : MCP avec 9 outils (recherche, aperçu, lecture, apprentissage, sauvegarde, mise à jour, suppression, réindexation, liste)
• Format : Markdown standard + frontmatter YAML (même format que Claude Code et Codex)

Configuration et cas d'utilisation

La configuration est simple : npx skill-depot init. L'outil est conçu pour une utilisation locale d'abord, sans configuration, native MCP, sans clés API à gérer, sans serveur à exécuter et sans verrouillage de framework. Le compromis est une portée plus étroite — il ne gère pas la gestion des sessions ni l'extraction automatique de mémoire (pour l'instant).

Comparaison avec d'autres outils

• mem0 : Bon pour une couche de mémoire gérée avec une API polie, mais a une dépendance cloud
• OpenViking : Base de données de contexte complète avec gestion de sessions, mémoire multi-type et extraction automatique des conversations
• Modules de mémoire LangChain/LlamaIndex : Solides si déjà dans ces écosystèmes

Considérations futures

Le développeur envisage d'ajouter :

• Types de mémoire (distinguant compétences, souvenirs et ressources)
• Déduplication pour détecter les entrées quasi-dupliquées
• TTL/expiration pour le nettoyage automatique des connaissances temporaires
• Score de confiance où les souvenirs renforcés sur plusieurs sessions sont mieux classés