Skip to content
Agentmart
Submit a tool

mem-search

Recherche dans la mémoire de WorkPilot (builds passés, patterns appris) par paliers — un index compact d'abord, les détails seulement sur demande par ID.

Skill by tleub-ebp

IndexedMIT★ 4
Write a review

Chalk Labs

Need help deploying mem-search?

Chalk Labs sets up agents like this inside real teams: connected to your tools, tested on your data, with a human in the loop where it matters.

Book a call

Install

Works with Claude Code, Claude apps, Codex, Cursor, Gemini CLI, GitHub Copilot, VS Code, OpenCode, Goose, Windsurf. Read the repository before you give any tool access to your data.

npx agentmarket install skill/tleub-ebp-mem-search

Asks which of your tools to add it to (Claude Code, Codex, Cursor, VS Code, Windsurf, Gemini CLI, Claude Desktop) and shows the change first. See https://agentmart.dev/cli.

Get the weekly diff

The weekly diff: one email a week with new agent tools, notable updates and grade changes, plus security alerts for tools you follow. Double opt-in, one-click unsubscribe.

We use your email only for this newsletter. Privacy

About

Recherche dans la mémoire de WorkPilot (builds passés, patterns appris) par paliers — un index compact d'abord, les détails seulement sur demande par ID. À utiliser avant d'attaquer un problème pour vérifier s'il a déjà été rencontré, ou pour retrouver comment une décision passée a été prise.

No reviews yet. Installed it? Reviews come from verified installers only. How reviews work

Permissions

What this skill can do and what it asks for, from its SKILL.md and code. Checked Nov 1, 2026.

Tools
No tools found
Secrets
None asked for
Install scripts
None found
Runs as
Python package

Network hosts it talks to 1

  • codeload.github.com · found in install command

Files it touches

  • ~/.claude/skills/mem-search

What's inside

Skill name
mem-search
Description
Recherche dans la mémoire de WorkPilot (builds passés, patterns appris) par paliers — un index compact d'abord, les détails seulement sur demande par ID. À utiliser avant d'attaquer un problème pour vérifier s'il a déjà été rencontré, ou pour retrouver comment une décision passée a été prise.
License
MIT
Instructions
53 lines in SKILL.md · view on GitHub

Before installing

  • Ships executable scripts

Files (2)

  • SKILL.md
  • mem_search.py · scripts/

SKILL.md (first lines)

# mem-search — remonter la mémoire sans y noyer le contexte

WorkPilot garde trois mémoires : les traces de builds (`task_logger`), le graphe
de connaissances (graphiti) et les patterns distillés (`learning_loop`). Les
lire directement rend des enregistrements entiers — c'est-à-dire qu'il faut
payer chaque candidat pour en écarter la plupart.

Ce skill les lit **par paliers**. Chaque palier ne se paie que si le précédent
l'a justifié.

## Les trois paliers

```bash
# 1. Index — ce qui existe. ~100 tokens, quel que soit le volume en mémoire.
python3 scripts/mem_search.py index "timeout intermittent dans les tests d'intégration"

# 2. Timeline — deux lignes par ID retenu de l'index.
python3 scripts/mem_search.py timeline task:042-add-widget pattern:p-17

# 3. Detail — l'enregistrement complet, un ID à la fois.
python3 scripts/mem_search.py detail task:042-add-widget
```

Lancer `python3 scripts/mem_search.py --help` pour les options
(`--project-dir`, `--limit`, `--budget`, `--json`).

## Comment s'en servir

1. **Commencer par `index`.** Il est calibré pour tenir dans la place qu'on
   accepte de dépenser avant même de savoir s'il y a quelque chose. S'il rend
   `+N more`, la requête est trop large : la resserrer coûte moins cher que de
   lire N candidats.
2. **Passer à `timeline` sur trois à cinq IDs**, pas sur tout l'index. C'est le
   palier qui dit *ce qui s'est passé* ; il suffit presque toujours à décider si
   l'épisode est le bon.
3. **N'appeler `detail` que sur ce qu'on va vraiment lire.** Un enregistrement
   complet est un log de build entier — c'est le palier cher, et il existe pour
   être appelé rarement.

## Ce que ce skill ne fait pas

Il n'écrit rien. Les trois mémoires sont alimentées par le pipeline lui-même
(`task_logger` pendant le build, `learning_loop` après) ; ici on ne fait que
lire. Une leçon à conserver passe par la phase `observe`, qui écrit une
proposition relue par un humain — pas par un appel de recherche.

## Format des IDs

`task:<spec-id>` pour un build archivé, `pattern:<pattern-id>` pour un pattern
appris. L'index les rend tels quels : les recopier verbatim, ne pas les
reconstruire à la main.

From tleub-ebp/WorkPilot-AI, MIT.

More from tleub-ebp/WorkPilot-AI

Signals

Stars
4
Forks
0
Open issues
0
Last commit (this folder)
Aug 26, 2026 (2 months ago)
Last release
Jun 9, 2026 (4 months ago)

From GitHub (fetched Oct 24, 2026).

Details

License
MIT
First seen
Oct 24, 2026
Last checked
Oct 24, 2026

More from tleub-ebp

Done for you

Rather not set it up yourself?

Chalk Labs scopes, builds and runs agents for your team: the task audit, the eval harness, the integrations and the weekly ops report. Fixed scope, priced before we start.

See how we build AI agents →Read the case studies

Chalk Labs is a two-founder AI and growth studio. We build AI agents, CRMs and MVPs for Web3 and AI companies, and have shipped 50+ product and token launches.

launches shipped
50+
launches shipped
media placements
500+
media placements
founders on every account
2
founders on every account

Press we've placed: Forbes · CoinDesk · Decrypt · Cointelegraph · The Block

Rahil Jain, Co-founder, Chalk Labs. Ex-Goldman Sachs engineer. You talk to the person who builds it.

Get mem-search running in your business

Tell us what you want to automate. A founder replies within one working day with a plan, not a pitch deck.

Goes to the Chalk Labs founders, not the newsletter. Privacy

Need help deploying mem-search?

CallGet help
Cite this page

mem-search skill. Agent Mart. https://agentmart.dev/skills/tleub-ebp-mem-search (last updated 2026-10-24)