cachly-dev/cachly-mcp

Автоматическое обучение на основе списка наблюдений сессии БЕЗ явных вызовов learn_from_attempts. Передайте, что произошло (выполненные команды, увиденные ошибки, найденные решения), и brain классифицирует и сохраняет уроки автоматически. Используйте в session_end, чтобы зафиксировать всё, что вы сделали, даже если забыли вызвать learn_from_attempts. Возвращает сводку того, что было сохранено автоматически.

Генерирует файл CLAUDE.md / copilot-instructions.md, который делает любой AI самоуправляемым навсегда. Записывает конфигурационный файл на диск - перезапишет существующий файл по указанному пути. Аутентификация не требуется, достаточно валидного instance_id. Сгенерированный файл инструктирует Claude, Cursor, Copilot, Windsurf или Gemini автоматически вызывать session_start при открытии окна, learn_from_attempts после каждого исправления и session_end перед закрытием - без дополнительных запросов. Возвращает содержимое сгенерированного файла в виде строки и путь, куда он был записан. Используйте style="minimal" только для трёх хуков; style="full" для полного набора правил с примерами. Одна команда. Каждый AI. Всегда включён. Используйте setup_ai_memory, если хотите интерактивную одноразовую настройку, которая также создаёт instance.

Push-based Brain warning: вместо того чтобы ждать вашего запроса, Brain самостоятельно проверяет, соответствует ли файл, который вы только что открыли, PR, который вы собираетесь создать, или деплой, который вы собираетесь запустить, какому-либо известному шаблону отказа — и показывает предупреждения ДО того, как что-то сломается. Вызывайте это при file_open (с путём к файлу в качестве контекста), при pr_open (с заголовком/телом PR) или при deploy (с кратким описанием того, что развёртывается). Возвращает risk_level (low/medium/high) и до 5 ранжированных предупреждений с уровнем уверенности и известным исправлением.

Генерирует человекочитаемый changelog в Markdown по урокам, извлеченным за последние N дней. Группирует уроки по тематическим категориям, добавляет автора, количество повторений и уверенность. Идеально подходит для еженедельных дейликов, ретроспектив спринта или асинхронных обновлений команды. Публикуйте результат прямо в Slack или документ. Пример: brain_changelog(instance_id="...", days=7) → сгруппированный Markdown changelog обучения за неделю.

Показывает граф совместной работы «Человек↔Человек» для вашей команды (W5). Перечисляет все пары участников, которые работали вместе — либо затрагивали одни и те же файлы в learn_from_attempts, либо извлекали уроки друг друга через smart_recall(requester=...). Для каждой пары выдаётся подсказка по маршрутизации «Frag @X und @Y» — идеально для онбординга и анализа bus-factor. Также помечает одиночек, чьи знания ещё ни разу не воспроизвёл коллега (риск bus-factor). Пример: brain_collab_pairs() → «@alice ↔ @bob — 12 событий · спрашивайте их вместе про auth/payments».

Замкните CI цикл обратной связи: сообщите Brain, прошёл ли CI джоб или свалился, и какие темы он покрывал. Brain автоматически корректирует уверенность урока — подтверждённые ошибки получают +15%, ложные срабатывания (Brain предсказал сбой, но CI прошёл) получают −10%. Вызывается автоматически из cachly-action в конце каждого пайплайна. Также используйте вручную после деплоя, чтобы подтвердить или опровергнуть последний прогноз Brain.

READ-ONLY — вывести все неразрешенные belief_conflict (ранее подтвержденное исправление, теперь опровергнутое ошибкой) плюс агентов, которые в данный момент пишут в этот Brain (за последний час). Это почтовый ящик арбитража для многокомандных систем: когда несколько AI-сессий используют один Brain, противоречивые записи отображаются здесь, а не молча перезаписывают друг друга. Разрешите любой указанный конфликт с помощью brain_resolve_conflict.

Передайте конфиденциальный сигнал в глобальное хранилище Brain commons. Передаются только категория темы, результат и уровень уверенности (высокий/средний/низкий) - никакого текста урока, никакой идентификации организации. Когда ≥ k независимых организаций передают один и тот же паттерн, в хранилище формируется мета-урок. Используйте это вместо fedbrain_contribute, когда требуется конфиденциальность (корпоративная среда, GDPR).

Показатель полноты знаний для вашей кодовой базы — оценка от 0 до 100. Отчёты: общее количество уроков, доля успешных, полнота атрибуции, вовлечённость команды, покрытие файлов относительно git ls-files. Запускайте после brain_from_git или периодически, чтобы отслеживать прогресс сбора знаний. Используйте skill_gaps, чтобы найти, что исправить. Пример: brain_coverage() → "🟢 Общая оценка: 78/100 · 42 урока · 6 участников · 31% файлов покрыто"

Генерирует или отправляет ежедневный дайджест активности Brain: уроки, извлечённые сегодня, изменения уверенности, проведённые сессии, появляющиеся ключевые паттерны и прогнозы на завтра. Можно отправить в Telegram-чат, на webhook URL или вернуть в виде текста. Запланируйте это в cron job или CI pipeline, чтобы вся команда была в курсе того, что узнал Brain, без необходимости проверять вручную. Пример: brain_daily_digest(instance_id="...") · brain_daily_digest(instance_id="...", webhook_url="https://...", period_hours=24)

git log для вашего AI мозга — точная информация о том, что изменилось с определённого момента. Возвращает структурированный changelog: добавленные уроки, обновлённые (изменился результат), отозванные (выросло количество срабатываний) и устаревшие. Идеально для еженедельных обзоров: «Что мой AI выучил за неделю?» Пример: brain_diff(instance_id="...", since="7d") → «12 новых · 4 обновлённых · 2 устаревших»

Ищет и просматривает публично доступные снимки Brain в маркетплейсе cachly. Находит готовые базы знаний по конкретным темам (TypeScript, Docker, auth, CI/CD и т.д.), созданные и опубликованные сообществом. Возвращает ранжированный список с количеством уроков, темами и командами импорта. Пример: brain_discover(query="kubernetes deployment") · brain_discover(topic="auth")

Проверьте состояние вашего AI Brain и получите практические рекомендации. Отчёты: количество уроков, записи контекста, возраст последнего сеанса, открытые сбои, оценка качества, эффективное повышение IQ, индекс устаревания. Возвращает приоритезированный список проблем с инструкциями по их устранению.

Экспортирует все уроки из экземпляра Brain в документ Markdown. Группирует уроки по темам, сортирует по уверенности (от высокой к низкой). Идеально подходит для ввода в курс дела новых коллег: поделитесь экспортированным файлом, чтобы их ИИ начал работу уже с накопленными знаниями вашей команды без необходимости подключения к Brain. Опционально фильтрует по минимальному порогу уверенности или конкретному префиксу темы. Пример: brain_export_md(instance_id="...") · brain_export_md(instance_id="...", min_confidence=0.8, topic_prefix="auth")

FedBrain Layer 6 — приватная передача знаний внутри организации: копировать рёбра CKG и уроки из исходного мозга в ваш мозг для конкретной области (например, «биллинг», «авторизация», «развёртывание»). Сценарий для новичка: одна команда даёт вам 5 лет типизированных знаний старшего инженера с весами уверенности в вашей области. В отличие от syndicate_search (глобальный, анонимный), brain_federate приватный для организации — оба мозга должны быть в одной организации Cachly, или source instance_id должен быть явно предоставлен. Пример: brain_federate(source="prod-brain-id", domain="billing", min_confidence=0.6)

Показывает, что cachly знает о списке файлов - эксперты + связанные уроки для каждого файла. Вызывайте этот инструмент перед началом работы с незнакомыми файлами или в sync_file_changes, чтобы увидеть, какие знания существуют. Для каждого пути к файлу: показывает, кто ранее работал с ним (из learn_from_attempts author+file_paths) и какие уроки ссылаются на него. Пример: brain_file_map(file_paths=["src/auth/jwt.ts"]) → "🥇 alice (3× · today) - related: fix:jwt-expiry"

Массово загружайте результаты CI-прогонов в Brain: аналог brain_from_git для истории CI. Передайте ему массив объектов {job, status, prev_status} из вашей CI-системы — он научится различать, какие задания были исправлены, сломаны или остаются стабильными. Используйте его, чтобы инициализировать Brain на основе исторических логов CI.

Извлекает уроки для Bootstrap brain из истории git. Автоматически анализирует сообщения коммитов и выводит уроки по исправлению/функции/рефакторингу. Отлично подходит для адаптации к существующей кодовой базе: запустите один раз, и мозг мгновенно узнает накопленные паттерны вашей команды. По умолчанию инкрементальный — обрабатывает только новые коммиты с момента последнего запуска, поэтому повторные вызовы выполняются быстро. Выводит обновления прогресса в stderr во время длительных сканирований.

Считывает одно или все сохранённые предпочтения для этого экземпляра Brain. Вызывайте с `key`, чтобы получить одно значение, или опустите `key`, чтобы перечислить все установленные предпочтения. Возвращает заметку по умолчанию, если ключ никогда не был задан. Дополнение к `brain_set_pref`.

Экспортируй Причинно-следственный Граф Знаний как ноду/линк нагрузку, готовую для 3D-рендера (схема cachly.brain_graph/v1) — это слой данных, лежащий в основе визуализации мозга: визуальная, исследуемая 3D-карта всех концептов, людей, файлов и сервисов, которые знает мозг, и их причинно-следственных связей. Типы нод (concept/person/file/service) несут стабильные цветовые группы и размер (val), масштабируемый по количеству ссылок; линки несут edgeType (fixes/causes/co-occurs/authored/collaborates) и confidence (value). Используется без изменений фронтендами react-force-graph-3d / three.js. Пример: brain_graph(instance_id="...") · brain_graph(instance_id="...", domain="auth", min_confidence=0.5, format="summary")

Автономно проверяет и поддерживает ваш Brain — помечает устаревшие уроки как временные, архивирует давно не используемые и разрешает противоречия, где успех явно преобладает над неудачей. Безопасно запускать по расписанию (еженедельная задача CI) или по запросу перед крупным релизом. Жизненный цикл состояния урока: active → provisional (уверенность < порог) → archived (устарел + низкая воспроизводимость + старый). Архивированные уроки исключаются из smart_recall, но сохраняются для аудита. dry_run=true (по умолчанию false) показывает, что изменится, ничего не записывая.

Импортирует уроки из публично расшаренного снимка Brain в ваш собственный экземпляр Brain. Принимает ID шары (UUID) или полный URL шары из brain_share. Опционально добавляет префикс ко всем импортированным темам, чтобы избежать конфликтов имен (например, topic_prefix="team"). Существующие уроки по умолчанию НЕ перезаписываются: передайте overwrite=true, чтобы заменить их. Пример: brain_import(instance_id="...", share_id="abc123", topic_prefix="imported")

Импортируйте k-anonymous мета-уроки из глобального репозитория Brain в свой локальный Brain. Мета-уроки получены из ≥ k независимых сигналов организаций: ничьи данные отдельных организаций не раскрываются. Импортированные уроки получают state="meta" и никогда не перезаписывают ваши собственные уроки. Фильтруйте по категории, чтобы найти подходящие паттерны.

Установи Domain Brain в свою локальную Brain — загружает её отобранные уроки с высоким доверием, чтобы они сразу появлялись в smart_recall, даже офлайн. Идемпотентно и без разрушений: НИКОГДА не перезаписывает твои собственные уроки (только предыдущие установки той же Brain). Запускай повторно в любое время, чтобы получить обновления. Сначала просмотри доступные Brain с помощью brain_marketplace(). Пример: brain_install(slug="k8s") → "📦 Installed: Kubernetes Incident Brain · 42 lessons merged".

Просмотрите маркетплейс Domain Brain — курируемые устанавливаемые наборы проверенных сообществом уроков, сгруппированных по доменам (Kubernetes, Auth, Database, React, Payments, …). Каждый brain собран из подтверждённых сообществом уроков в глобальном Knowledge Commons. Используйте при онбординге или при начале работы в незнакомом домене, чтобы мгновенно загрузить ваш Brain. Установите один с помощью brain_install(slug="..."). Пример: brain_marketplace() → "☸️ Kubernetes Incident Brain · 42 урока · установка: brain_install(slug=\"k8s\")".

Сообщите о трёх ключевых метриках Brain: (1) время до первого припоминания (сопротивление онбордингу), (2) прирост припоминания по сравнению с сырым BM25 (доказательство защитного рва, из Cachly-Bench) и (3) повторное использование знаний команды: какой процент подтверждённых припоминаний использовал урок коллеги. Используйте их, чтобы отслеживать, выполняет ли Brain свою основную ценность. Передавайте author="handle" в smart_recall, чтобы можно было измерить повторное использование между авторами.

Сгенерировать полный пакет онбординга для нового члена команды: доступная по ссылке ссылка на Brain, предзаполненный фрагмент CLAUDE.md / .mcp.json, топ-30 уроков в формате краткого обзора для быстрого старта и команда настройки, которую можно выполнить одной строкой. Пакет возвращается в виде единого Markdown-документа, который можно вставить в любой AI-ассистент или отправить через Slack/email. Пример: brain_onboard_teammate(instance_id="...", name="Sarah")

READ-ONLY — без побочных эффектов, без записи, без внешних сетевых вызовов. Генеративный слой планирования поверх CKG: для задачи, которую вы СОБИРАЕТЕСЬ выполнить (например, «обновить Postgres 14→16», «добавить Stripe webhooks»), возвращает упорядоченный план действий, основанный на ваших собственных проверенных уроках — режимы отказа, которые с наибольшей вероятностью ударят (ранжированные по уверенности), конкретные шаги, которые исправили их раньше (с командами), и предварительный чек-лист. Если brain_predict отвечает на вопрос «что может сломаться?», brain_plan отвечает на вопрос «что мне делать и в каком порядке?». Требует корректный instance_id (ваш Redis brain). Вызывайте перед началом нетривиальной работы.

W9 - Model-Neutrality как функция. Доказывает принцип "Bring your own model, keep your brain." Возвращает ваш Brain ID и готовые к вставке фрагменты конфигурации MCP для каждого совместимого AI-клиента: Claude Code, Cursor, Windsurf, GitHub Copilot (VS Code), Cline, Zed, Continue. Все 7 клиентов подключаются к одному и тому же Brain - одинаковые уроки, кристаллы, прогнозы и командные данные. Используйте автопилот, чтобы настроить все обнаруженные редакторы одной командой. Пример: brain_portability() → блоки конфигурации для 7 клиентов + таблица доказательства нейтральности к моделям.

ТОЛЬКО ЧТЕНИЕ - без побочных эффектов, без записи, без внешних сетевых вызовов. Predictive Pre-fetch Engine (PPE): учитывая ваш текущий контекст, читает CKG в вашем экземпляре Redis, чтобы предсказать вероятные сбои и вернуть исправления с наибольшей уверенностью. "Pre-load" означает, что результаты возвращаются inline - ничего не кэшируется и не сохраняется. Требуется действительный instance_id (ваш мозг Redis). Без ограничений по частоте. Вызывайте в начале сессии, когда работаете над конкретной функцией или областью отладки. Установите scope="org", чтобы расширить предсказание на всю вашу организацию - выявляет межкомандные риски ("сбой 3× в 2 других командах") из графа знаний организации (Org Knowledge Graph), так что инцидент в одной команде становится вакциной для вашей.

Предсказание отказов перед развёртыванием с указанием вероятности в процентах. По контексту изменений (например, «обновление Keycloak 21→24» или «развёртывание Redis 7 на проде») возвращает наиболее вероятные сценарии отказов, отсортированные по вероятности, вместе с готовыми исправлениями. Использует причинные связи CKG и историю уроков. Вызывайте перед любым значительным развёртыванием, миграцией или изменением инфраструктуры.

Урегулируйте спорную тему, выбрав сторону-победителя. winner="success" подтверждает исправление (противоречащий сбой перестаёт блокировать отзыв); winner="failure" отменяет исправление (его рёбра исправлений CKG затухают до ~0, а проигравший урок архивируется). Разрешение с участием человека — это самый надёжный сигнал уверенности. Сначала перечислите открытые конфликты с помощью brain_conflicts.

BM25+ полнотекстовый поиск по ВСЕМ данным мозга: уроки, записи контекста, история сессий, узлы CKG, элементы дорожной карты. В отличие от smart_recall (который фокусируется на уроках + контексте), brain_search охватывает более широкий круг. Используйте, когда smart_recall ничего не возвращает или когда вы хотите найти всё, что мозг знает о теме.

Заполняет новый Brain подобранным набором универсальных, ценных инженерных уроков (Docker layer cache, JWT clock skew, Postgres migration locks, K8s OOM limits, N+1 queries, cache stampede, CORS preflight и другие). Благодаря этому первый вызов smart_recall возвращает полезный результат, а не ничего — идеально сразу после настройки или в новом репозитории без истории git, из которой можно учиться. Стартовые уроки помечены source:"starter", никогда не переопределяют ваши собственные уроки и идемпотентны (не засеваются дважды). Пример: brain_seed_starter(instance_id="...") · brain_seed_starter(instance_id="...", topic_filter=["docker","redis"])

Отображает всё, что Brain знает о работающем сервисе или системе: кто им управляет, какие файлы в нём выполняются, все известные сбои и все проверенные исправления. Создаётся на основе уроков, помеченных тегом `service="..."` в learn_from_attempts. Идеально подходит для разбора инцидентов: когда сервис ведёт себя некорректно (например, перезапускающийся под), мгновенно показывает, кто с ним знаком и что с ним шло не так раньше. Пример: brain_service_map(service="prometheus") — операторы, известные сбои OOM и исправления, которые сработали.

Сохраняет пользовательскую настройку для этого экземпляра Brain. Настройки хранятся в Redis и сохраняются после перезапусков. Известные ключи: `auto_changelog` (установите "false", чтобы отключить автоматический список изменений, показываемый при session_start).

Экспортирует снепшот Brain и создаёт публично доступную ссылку для импорта кем угодно. Опционально можно отфильтровать по префиксу темы (например, только уроки с "auth:" или "deploy:"). Видимость: "public" (обнаруживаемая) или "unlisted" (только по ссылке). Возвращает URL для отправки и команду импорта, которую можно передать коллегам или сообществу. Пример: brain_share(instance_id="...", title="My Auth Patterns", topic_filter=["auth"])

Список всех моментальных снимков Brain, которыми вы ранее поделились через `brain_share`. Для каждой отправки показывает share ID, title, lesson count, visibility и creation date. Проверяет локальный журнал происхождения и API cachly. Пример: `brain_share_list(instance_id="...")`

Получает подробную статистику по экземпляру Brain: количество уроков, распределение уверенности, скорость обучения (уроков/день), популярные темы, популярные теги, количество сессий, средняя длина сессии, точность припоминания и количество кристаллов памяти. Используйте, чтобы оценить состояние Brain, измерить рост и выявить инсайты для команды. Пример: brain_stats(instance_id="...") · brain_stats(instance_id="...", period_days=30)

Отзывает и безвозвратно удаляет публичный расшаренный Brain по его share ID. После вызова ссылка на расшаривание становится недействительной, и никто не сможет импортировать этот Brain. Примечание: у пользователей, которые уже импортировали Brain, остаётся их локальная копия. Пример: brain_unshare(instance_id="...", share_id="abc123")

Установите фоновый git post-commit hook, который автоматически учится на каждом коммите — без ручного запуска brain_from_git. После установки каждый `git commit` незаметно отправляет (POST) сообщение коммита, SHA и изменённые файлы в cachly Brain API в фоне. Идемпотентность: повторный запуск brain_watch устанавливает хук только один раз. Использует curl (не Node/npx), поэтому работает в любом окружении. Хук всегда завершается с кодом 0 и работает асинхронно — он никогда не блокирует коммит. Возвращает путь к хуку и статус установки (written/upgraded/appended/unchanged/skipped-no-git).

Находит, кто в вашей команде обладает наибольшей экспертизой по заданной теме. Запрашивает общеорганизационный граф знаний (строится автоматически из полей авторов в learn_from_attempts) и возвращает ранжированный список участников, чьи уроки соответствуют запросу, отсортированный по количеству уроков и уверенности. Используйте, чтобы найти нужного человека перед началом задачи или чтобы понять распределение знаний. Пример: brain_who_knows(topic="kubernetes deployment") → "🥇 alice — 5 уроков, 94% уверенности".

Навсегда удаляет один или несколько ключей из работающего экземпляра кэша (использует Redis DEL). Эта операция разрушительна и необратима — удалённые ключи невозможно восстановить. Удаление несуществующего ключа безопасно и возвращает 0 для этого ключа (без ошибки). Возвращает количество ключей, которые были фактически удалены (только существующие). Используйте это, чтобы явно удалить устаревшие записи; для автоистекающих данных лучше используйте cache_set с коротким TTL. НЕ ИСПОЛЬЗУЙТЕ это для очистки всего экземпляра — для этого используйте панель управления или delete_instance.

Проверяет, существуют ли один или несколько ключей в работающем экземпляре кэша (использует Redis EXISTS). Только чтение - без побочных эффектов. Возвращает количество существующих ключей (целое число от 0 до N). Если ни одного ключа нет, возвращает 0. Если существуют все, возвращает общее количество переданных ключей. Повторяющиеся ключи во входном массиве считаются каждый отдельно (поведение Redis). Используйте это, чтобы проверить наличие перед cache_get и избежать обработки null, или чтобы убедиться, что прогрев кэша завершен. Используйте cache_get, если нужно ещё и значение; используйте cache_ttl, если нужна информация о сроке действия.

Получает значение из работающего экземпляра кэша по ключу. Возвращает сохранённое значение (строку или десериализованный JSON-объект) или null, если ключ не существует или истёк срок его действия. Только чтение - без побочных эффектов. Используйте cache_mget, когда нужно получить несколько ключей за один запрос. Используйте cache_exists, чтобы проверить существование без получения значения. Используйте semantic_search, когда нужен нечёткий/векторный поиск по сохранённым значениям.

Перечисляет ключи в экземпляре кеша, соответствующие опциональному glob-шаблону (например, "user:*", "session:*"). Использует SCAN, чтобы не блокировать сервер. Возвращает не более `count` ключей.

Получить распределённую блокировку через Redis SET NX PX (Redlock-lite). При успехе возвращает fencing token. Блокировка автоматически истекает через ttl_ms, чтобы не допустить взаимных блокировок. Используйте cache_lock_release, чтобы снять блокировку досрочно.

Освобождает ранее полученную распределённую блокировку. Использует Lua-скрипт для атомарного освобождения — удаляет ключ только при совпадении fencing token.

Получает несколько ключей за один обход, используя нативный Redis MGET. Возвращает значения в том же порядке, что и массив ключей; отсутствующие ключи равны null.

Устанавливает несколько пар ключ-значение за один проход конвейера. Поддерживает TTL для каждого ключа - в отличие от нативного MSET. Использует один TCP-раунд для N ключей через конвейер Redis. Каждый элемент перезаписывает существующее значение для этого ключа. При частичном сбое успешно обработанные конвейером ключи фиксируются; возвращается список ошибок для каждого ключа, который не удался. Возвращает сводку: { set: N, errors: [...] }. Используйте cache_set для одного ключа; используйте cache_stream_set для больших потоковых данных.

Показывает статистику общего кэша для пространства имён организации. Сканирует все ключи в org:{org_id}:sem:* и сообщает, сколько записей является общими. Используйте для проверки, работает ли общий доступ между организациями, и для мониторинга использования кэша между инстансами. Также агрегирует ROI по всей организации через API Cachly: общее количество попаданий в кэш, попадания за последние 24 часа, оценочная общая и прогнозируемая ежемесячная экономия в долларах США по всем инстансам организации, плюс разбивка по каждому инстансу. Нулевая настройка: не требуется изменений API — любой вызов cache_set с org_id записывает в это пространство имён.

Устанавливает пару ключ-значение в работающем экземпляре кэша. Перезаписывает любое существующее значение по ключу - неидемпотентно для новых данных. Возвращает "OK" при успехе; возвращает ошибку, если instance_id недействителен или экземпляр приостановлен. Значением может быть строка или объект, сериализованный в JSON. Опционально задайте TTL в секундах (не указывайте для бессрочного хранения). Вместо этого используйте cache_mset для установки нескольких ключей за один круговой обход конвейера. Для кэширования потоков токенов LLM (упорядоченных строковых фрагментов) используйте cache_stream_set.

Получает статистику в реальном времени для экземпляра кэша: использование памяти, частота попаданий/промахов, команд/сек, подключенные клиенты, информация о keyspace и время работы. Только чтение - без побочных эффектов. instance_id определяет целевой экземпляр (получить из list_instances). Используйте это для мониторинга, планирования емкости или отладки проблем производительности - не для чтения кэшированных значений (для этого используйте cache_get). Используйте cache_exists или cache_ttl, если вам нужна только информация на уровне ключей.

Извлекает ранее кэшированный поток в виде упорядоченного списка строковых фрагментов. Возвращает null при промахе кэша (ключ отсутствует или пустой список). Хранится под cachly:stream:{key}.

Кэшируйте список строковых фрагментов (например, поток токенов LLM) через Redis RPUSH. Каждый фрагмент сохраняется как отдельный элемент списка под ключом cachly:stream:{key}. Воспроизводите с помощью cache_stream_get.

Получает оставшееся время жизни (TTL) ключа в секундах. Возвращает -1, если ключ существует, но не имеет срока действия, -2, если ключ не существует. Только чтение, без побочных эффектов. Используйте cache_set с параметром ttl, чтобы установить или обновить срок действия.

Предварительно прогрейте семантический кэш списком пар «промпт/значение». Для каждой записи: вычисляет эмбеддинг, проверяет, нет ли уже похожей записи (схожесть ≥ 0.98), и записывает новые записи в индекс Valkey + pgvector. Используйте это, чтобы подгрузить ответы на частые вопросы, описания продуктов или проверенные ответы LLM до первых реальных запросов пользователей. Требуется OPENAI_API_KEY.

Анализ первопричин через память: по описанию проблемы прослеживает причинно-следственную цепочку от корневой причины через промежуточные сбои к текущему симптому, затем выдает точное решение, которое сработало раньше. Только чтение — не изменяет никакие сохраненные данные. Требует предварительного обучения: brain должен содержать уроки, сохраненные через `learn_from_attempts` или `brain_from_git`. Возвращает упорядоченную цепочку концепций с оценками уверенности и подходящее решение; если причинно-следственная связь не найдена, возвращает пустую цепочку с сообщением. Пример: `causal_trace(problem="auth breaks after restart")` → "Root: k8s:namespace-terminating → keycloak:jwks-race → Solution: PollUntilContextTimeout 3min". Используйте `recall_best_solution` для прямого поиска по теме, `syndicate_search` для паттернов сообщества и `causal_trace`, когда есть симптом и нужна полная цепочка первопричин.

Просматривает граф причинно-следственных знаний (CKG) для понятия. Показывает все типизированные рёбра (fixes, requires, co-occurs, causes) с байесовскими показателями уверенности. Используйте, чтобы понять, что мозг знает о теме и какие исправления имеют наибольшую уверенность. Также показывает связанные понятия через обход графа.

Continuous Learning Stream (CLS - Уровень 5): Принимайте сигналы обучения без явных вызовов session_end. Источники: git_commit (сообщение коммита + файлы → ребра CKG), ci_outcome (зеленая/красная сборка → подтверждает исправление), ide_diagnostic (ошибка компилятора + пара исправлений → мгновенный урок). Установите автоматическое получение с помощью cls_install_hooks - мозг учится на каждом коммите и запуске CI.

READ-ONLY — выводит только текст, не записывает файлы, не делает сетевых вызовов, не имеет побочных эффектов. Генерирует готовые к вставке shell-скрипты: git post-commit hook и/или шаг GitHub Actions. Вы должны вручную скопировать и установить результат. После установки сгенерированных скриптов каждый git commit или запуск CI будет делать исходящие HTTPS-вызовы на api.cachly.dev, чтобы передавать сигналы обучения вашему мозгу. Для вызова этого инструмента не нужна аутентификация — только instance_id. Запускайте один раз на репозиторий.

Вызывай СНАЧАЛА ПОСЛЕ любого превышения лимита контекста / упаковки. Восстанавливает полный контекст из Memory Crystal + недавних сессий + WIP registry + открытых ошибок. Возвращает сжатый брифинг, чтобы новое окно контекста начиналось ровно с того места, где закончилось предыдущее — никакой потери прогресса.

Создайте новый управляемый экземпляр Valkey/Redis на cachly.dev. Бесплатный тариф разворачивается примерно за 30 секунд. Платные тарифы возвращают URL для оплаты через Stripe. Доступные тарифы: free (25 МБ), dev (200 МБ, €19/мес), pro (900 МБ, €49/мес), speed (900 МБ, Dragonfly + Semantic Cache, €79/мес), business (7 ГБ, €199/мес).

Создайте новую организацию Cachly для командной работы. После создания пригласите участников команды с помощью invite_member и обновите тариф через billing portal. Тарифы организации: Team (€99/мес, 10 мест), Business (€299/мес, 50 мест), Enterprise (индивидуально).

Просмотрите текущий Memory Crystal - сжатую мудрость, извлечённую из всех прошлых сессий. Показывает топ-паттерны по категориям, количество уроков и дату последнего обновления кристалла. Вызывайте после session_start, когда хотите быстро увидеть накопленную за всю прошлую работу мудрость.

Навсегда удалить экземпляр кэша. Депровизирует нагрузку Kubernetes и удаляет все данные. Это действие необратимо.

Классифицирует промпт в одно из 5 семантических пространств на основе текстовых эвристик. Накладные расходы: <0.1 мс, эмбеддинги не нужны. Полезно для понимания, какое пространство cachly использует для данного промпта. Возвращает одно из: cachly:sem:code, cachly:sem:translation, cachly:sem:summary, cachly:sem:qa, cachly:sem:creative.

Подтвердите, что синдицированный урок из глобальной общей библиотеки сработал для вас. Распространяет подтверждение обратно: увеличивает confirm_count на сертификате знаний. Также обновляет ваш локальный CKG confidence. При 10 независимых подтверждениях → Gold Standard.

FedBrain (Layer 6): Внесите урок в глобальный Knowledge Commons с криптографическим сертификатом знания. Сертификат включает: отпечаток домена, уверенность, хэш цепочки результатов. Уроки с 10+ независимыми подтверждениями становятся Gold Standard. Контекстно-взвешенный: другие brains с похожими технологическими стеками видят ваш урок выше в результатах fedbrain_search.

FedBrain контекстно-взвешенный поиск: Ищет в глобальном хранилище, взвешивая результаты по схожести технологического стека. Brains с совпадающим контекстом домена (Go/Kubernetes/Postgres) ранжируются выше, чем несвязанные стеки. Показывает происхождение сертификатов, confirm_count и значки Gold Standard.

Покажите ваш статус в федерации FedBrain: уроки, переданные в общее достояние, недавние подтверждения, уроки уровня Gold Standard, ожидающие распространения. Используйте для отслеживания вклада вашего мозга в глобальные знания.

Удаляет одну или несколько кэшированных записей контекста. Используйте, когда контекст устарел или вы хотите принудительно запустить свежий анализ. Поддерживает glob-шаблоны: "file:*" удаляет все сводки файлов.

Полная диагностика вашего cachly Brain — вызывайте это В ПЕРВУЮ ОЧЕРЕДЬ, если что-то не работает. Возвращает: доступность API, валидность и срок действия JWT, ваш ID пользователя, все экземпляры Brain с текущим состоянием (🟢 работает / 🟡 инициализируется / 🔴 остановлен), ping Redis на активном соединении и конкретные шаги по исправлению для каждой найденной проблемы. Порядок действий: запустите get_api_status → прочитайте проблему, которую он указывает → исправьте её → повторите вызов инструмента.

Получите строку подключения Redis/Valkey (redis:// URL) для работающего экземпляра. Используйте её для настройки приложения или задания переменных окружения.

Получить полные метаданные для конкретного экземпляра кэша: name, tier, status (provisioning / running / paused), region, RAM limit, Redis connection string, created_at и expiry. Только чтение. Возвращает ошибку, если instance_id не найден или принадлежит другому аккаунту. Сначала вызовите list_instances, чтобы найти корректные UUID. Вместо этого используйте get_connection_string, если вам нужен только URL вида redis:// для конфигурации вашего приложения.

Получает текущий план организации, использование мест и платёжную информацию. Показывает: название плана, цену, использованные/максимальные места, дату следующего списания. Для повышения плана используйте URL биллингового портала, который возвращает этот инструмент.

Сохраните урок, который применяется ВО ВСЕХ ваших проектах (кросс-проектное знание). Идемпотентно: если урок с той же темой уже существует, он обновляется на месте, дубликаты не создаются. Возвращает подтверждение с ключом сохранённого урока. Лимитов на запросы нет. Глобальные уроки сохраняются с префиксом cachly:global:lesson: и извлекаются из любого экземпляра через global_recall. Используйте для настроек инструментов, личных рабочих процессов, особенностей платформы и универсальных ловушек. Пример: global_learn(topic="bash:macos-arrays", lesson="Arrays work differently on macOS bash 3.2"). Используйте learn_from_attempts для уроков, специфичных для проекта; используйте team_learn, чтобы делиться уроками с командой.

Только чтение уроков из глобальной базы, сохранённых через global_learn. Без побочных эффектов. Возвращает список подходящих объектов глобальных уроков: каждый содержит тему, текст урока, серьёзность и теги. Если тема не указана, возвращает все глобальные уроки (до 50). Если тема указана, возвращает все уроки, у которых ключ темы содержит эту строку (частичное совпадение). Используйте для уроков, которые применимы ко всем проектам: особенности инструментов, подводные камни оболочки, поведение платформы. Для уроков, специфичных для проекта, используйте recall_best_solution; для уроков уровня организации — team_recall.

Импортирует уроки сообщества из Cachly Public Brain для фреймворка. Неразрушающий: существующие уроки с тем же ключом темы не перезаписываются. Возвращает количество импортированных уроков и их слаг темы. Доступные фреймворки: nextjs, fastapi, go, docker, kubernetes, react, typescript, python, rust, laravel, rails, spring. Используйте это, чтобы инициализировать новый мозг проверенными знаниями сообщества перед вашим первым session_start. Используйте publish_lesson, чтобы добавить свои собственные уроки в Public Brain; используйте learn_from_attempts для сохранения уроков из ваших собственных сессий.

Индексирует локальные файлы исходного кода в семантический кеш cachly, чтобы AI-ассистенты могли с помощью semantic_search находить нужные файлы, а не перечитывать всю базу кода каждый раз. Рекурсивно обходит директорию, читает каждый подходящий файл и сохраняет краткое описание и путь как запись семантического кеша (prompt = путь к файлу + отрывок содержимого, value = относительный путь). Требуется провайдер эмбеддингов (OPENAI_API_KEY или CACHLY_EMBED_PROVIDER + ключ). Запускается один раз, затем повторно после крупных рефакторингов. TTL = 86400 (24 часа) поддерживает актуальность записей.

MUTATION - отправляет приглашение по email немедленно, и его нельзя отменить через MCP. Пригласить участника команды в организацию Cachly по email. Требует, чтобы вызывающий был администратором или владельцем организации. Допустимые роли: admin (управление участниками + инстансами), member (чтение + кэш-операции). Роль по умолчанию: member. Возвращает ошибку, если email уже является участником или имеет ожидающее приглашение.

Оценка уверенности для каждого урока в вашем Brain - потому что старые знания гниют. Вычисляет показатель устаревания (0-100%) для каждого урока на основе давности, частоты повторений и результата. Уроки, которые недавно вспоминали, получают высокий балл. Уроки 90-дневной давности, которые никогда не вспоминали, - низкий. Возвращает ранжированный список с визуальными шкалами уверенности: "████░░░░ 40%". Используйте это перед большим рефакторингом, чтобы знать, каким урокам доверять, а какие нужно перепроверить.

Сохраняет урок, полученный в результате неудачной или успешной попытки. Вызывай ПОСЛЕ выполнения любой нетривиальной задачи (деплой, отладка, исправление, архитектурное решение). Урок будет автоматически вспоминаться в будущих сессиях через recall_best_solution. Поля: topic (короткий slug, например "deploy:web"), outcome ("success"|"failure"), what_worked (что решило проблему), what_failed (что НЕ сработало), context (дополнительные детали). Поддерживает структурированные метаданные: severity, file_paths (задействованные файлы), commands (рабочие команды), tags. Дедупликация: если урок для этой темы уже существует, он обновляется с полным audit trail. Обнаружение противоречий: предупреждает, если новый outcome противоречит outcome существующего урока. Доверие: урок начинается с 1.0, затухает через 5 дней (→0.7) и 10 дней (→0.5) без повторного обращения. Пример: learn_from_attempts(topic="deploy:api", outcome="success", what_worked="nohup docker compose up -d --build", what_failed="docker compose up виснет по таймауту SSH", severity="critical", commands=["nohup docker compose up -d --build"])

Выводит список всех экземпляров кэша Cachly с их статусом и данными подключения. Только чтение. Возвращает массив объектов экземпляров — каждый с id, name, tier, status, region, RAM и строкой подключения redis://. Если экземпляров нет, возвращает пустой массив. Без пагинации: все экземпляры возвращаются одним вызовом (у типичных аккаунтов их меньше 20). Используйте эту команду сначала, чтобы получить UUID экземпляров, необходимые для get_instance, cache_get, cache_set и всех остальных инструментов кэша. Используйте get_instance, чтобы получить полные метаданные для одного экземпляра.

Выводит список ваших организаций Cachly (планы для команд/организаций). Возвращает каждую организацию с указанием плана, количества мест и информации об участниках. Планы организаций (Team €99, Business €299, Enterprise custom) оплачиваются отдельно от кэш-тарифов.

Выводит список всех кешированных записей контекста для этого проекта. Показывает, какие знания уже закешированы AI-ассистентом, чтобы вы могли решить — использовать существующий контекст или обновить его. Возвращает: ключ, категорию, размер, оставшееся время жизни (TTL) и превью содержимого.

Мультиагентная камера обсуждений (MADC — Уровень 3): когда по теме существуют противоречивые выводы, запускается обсуждение между 6 агентами-экспертами (InfraAgent, AuthAgent, DeployAgent, DatabaseAgent, DebugAgent, APIAgent). Каждый агент голосует на основе своего покрытия CKG в предметной области. Единогласное голосование → проигравший отменяется. Раздельное голосование → флаг спорности, перед действием требуется causal_trace. Решение сохраняется как постоянный узел CKG. Вызывается автоматически, когда learn_from_attempts обнаруживает противоречие.

Когнитивная консолидация памяти — еженедельный сборщик мусора для твоего AI-мозга. Просматривает все уроки, находит противоречия (одна тема с разными выводами), склеивает дубликаты, помечает устаревшие записи (не востребованные более 90 дней) и вычисляет показатель здоровья. Возвращает полный отчёт о консолидации: разрешённые конфликты, объединённые дубликаты и счётчик до/после. Запускай раз в неделю или когда `brain_doctor` сообщает о более чем 20 уроках. Как `git gc` для знаний.

Сожми последние 30-50 сессий и автоматически изученные уроки в плотный Memory Crystal. Кристалл — это компактная, структурированная сводка всего, что усвоила система, сгруппированная по категориям (deploy, fix, debug и т.д.). Кристаллы переживают очистку сессий и появляются в session_start, как только накопится достаточно сессий. Запускай эту процедуру ежемесячно или после крупной вехи, чтобы сохранить институциональные знания. Возвращает дайджест того, что было кристаллизовано.

Публикует урок в Cachly Public Brain (анонимизированная база знаний сообщества). Опубликованные уроки могут импортировать другие разработчики через import_public_brain. PII удаляется автоматически. Отображается под меткой фреймворка/категории. Возвращает { lesson_id, topic, framework, published_at } с подтверждением публикации. Операция необратима — после публикации в общую базу уроки нельзя удалить через MCP интерфейс. Используйте learn_from_attempts или global_learn для частных уроков; используйте syndicate для анонимного глобального обмена без привязки к фреймворку.

Brain Archaeology — увидеть, как выглядел урок в определённый момент времени. «Что мы знали о развёртываниях 3 месяца назад?» Возвращает историю темы, отфильтрованную по записям до указанной даты. Показывает, как развивался урок: неудача → частичный успех → успех. Также полезно, чтобы понять, ПОЧЕМУ были приняты старые решения по коду.

Вспомни наилучшее известное решение для темы из прошлых уроков. Вызывай это ПЕРЕД попыткой выполнить любую задачу, которая могла быть решена раньше. Возвращает самый последний успешный урок по теме с индикатором уверенности. ⚠️ значок = уроку >5 дней (проверь перед применением). 🔴 = >10 дней (скорее всего устарел!). Воспоминание урока сбрасывает его счетчик уверенности до 1.0 (отмечает как недавно проверенный). Пример: recall_best_solution(topic="deploy:web") → возвращает рабочий deploy-команду.

Извлекает ранее сохранённый контекст из кэша. Возвращает сохранённое содержимое или null, если не найдено. Используйте это в НАЧАЛЕ любой задачи, чтобы проверить, есть ли у вас уже соответствующий контекст в кэше, перед выполнением затратных операций, таких как чтение множества файлов. Поддерживает glob patterns: "file:*" соответствует всем сводкам файлов, "arch*" — ключам, связанным с архитектурой.

Сохраняет информацию о контексте в кэш, чтобы вы могли использовать её позже без пересчёта. Отлично подходит для кэширования: обзоров кодовой базы, сводок по файлам, структуры проекта, часто используемых данных или результатов «размышлений», например анализа зависимостей. Ассистент может использовать это, чтобы не перечитывать всю кодовую базу каждый раз. Перезаписывает любое существующее значение, сохранённое под тем же ключом. Возвращает { key, stored_at, ttl } с подтверждением сохранённого контекста. Пример: remember_context("project overview", "Это Next.js приложение с..."), затем: recall_context("project overview"). Используйте recall_context для получения данных; list_remembered — чтобы увидеть все сохранённые ключи.

Добавляет новый элемент в постоянную дорожную карту проекта, хранящуюся в Brain. Элементы сохраняются между сессиями и редакторами — дорожная карта всегда актуальна. Используйте для функций, багов, рефакторинга или любой запланированной работы. Вызовите roadmap_list, чтобы увидеть все открытые элементы, roadmap_next — чтобы получить следующий элемент, готовый к выполнению.

Вывести все элементы дорожной карты, опционально с фильтром по статусу, приоритету, тегу или этапу. Возвращает элементы, отсортированные сначала по приоритету, затем по дате создания. Вызывается автоматически через session_start, чтобы показать открытые задачи.

Получает единственный самый важный следующий элемент дорожной карты, по которому можно действовать. Сначала возвращает элемент с наивысшим приоритетом в работе, затем запланированные элементы, отсортированные по приоритету. Вызывайте в начале сессии, чтобы сразу узнать, над чем работать дальше.

Обновляет статус, приоритет или детали элемента дорожной карты. Используйте для перемещения элементов по жизненному циклу: запланировано → в работе → выполнено (или заблокировано/отменено). Также используйте для добавления заметок/выводов при работе над элементом.

Находит кэшированные записи, семантически похожие на запрос на естественном языке. Только чтение — без побочных эффектов. Возвращает массив объектов, каждый из которых содержит: key, value, similarity_score (0–1) и namespace. Возвращает пустой массив, если ни одна запись не соответствует порогу схожести. Требует OPENAI_API_KEY (или совместимого провайдера) и тарифа Speed/Business с CACHLY_VECTOR_URL. Эмбеддинги вычисляются на серверной стороне и никогда не покидают Германию (индекс pgvector HNSW). Пример: "find all cached responses about password reset" или "what did we answer about pricing?". Используйте cache_get для точного поиска по ключу; используйте smart_recall для brain lessons.

Сохраняйте сводку сессии после завершения работы. Записывает выполненные задачи, изменённые файлы и количество уроков. При следующем session_start эта сводка отобразится как «Last session». Вызывайте это при завершении рабочей сессии, перед уходом в режим ожидания или перед созданием сводки. Фоновое обучение: если указан workspace_path, читает журнал git с момента начала сессии и автоматически обучается на основе коммитов.

Сохраняет подробный handoff для следующего окна/сессии чата. Хранит: текущий прогресс, TODO-список (выполненное + оставшееся), изменённые файлы с описаниями, инструкции для следующего ассистента и любую незавершённую работу. Следующий session_start автоматически подхватывает этот handoff, чтобы новое окно точно знало, что было сделано и что осталось. Вызывайте этот инструмент ПЕРЕД закрытием окна чата, особенно если работа не завершена. Это предотвращает проблему «continue», когда новые окна теряют контекст, пропускают задачи или генерируют сломанный код.

Легковесный чекпоинт — вызывай его примерно каждые 5 вызовов инструментов или когда завершаешь значимый шаг. Сохраняет текущую задачу и затронутые файлы, чтобы session_start на СЛЕДУЮЩЕМ провайдере мог восстановить произошедшее, даже если session_end никогда не вызывался (например, превышен лимит контекста Claude, окно упало). Это решает проблему переключения провайдеров: Claude → Copilot → Cursor все видят один и тот же последний чекпоинт. Чрезвычайно быстро — одна операция Redis SET, без блокирующих операций.

Краткий обзор сессии за один вызов. Вызовите это в НАЧАЛЕ каждой сессии ВМЕСТО нескольких отдельных вызовов smart_recall/recall_best_solution. Возвращает: сводка последней сессии, недавние уроки, отсортированные по новизне, релевантные уроки для вашей фокусной области, открытые неудачи (темы только с неудачными исходами), статистика здоровья мозга, командная телепатия (что узнали коллеги за неделю), предиктивные предупреждения (если в вашей фокусной области есть известные паттерны неудач) и кристаллы памяти (сжатая мудрость из старых сессий). Также сохраняет маркер начала сессии, чтобы session_end мог вычислить длительность.

Сфокусированный брифинг сессии для больших мозгов. Возвращает только N самых релевантных уроков по заданной теме, отсортированных по релевантности, частоте повторения, серьёзности, давности и результату. Идеально, когда session_start возвращает слишком много уроков, не помещающихся в контекст (мозги с 1000+ уроков). Используйте session_start для полного брифинга, включая передачу контекста, серию, дорожную карту и командную телепатию.

Установите предполагаемую стоимость одного избегнутого вызова LLM API (в USD) для этого инстанса. Она используется для расчёта точных оценок экономии ROI в cache_stats. Значение по умолчанию ($0.002) откалибровано для небольшой модели (класс gpt-5.5-mini). Укажите реальную стоимость вашей модели для точных чисел: claude-opus-4.8 → $0.02, gpt-5.5 → $0.015, claude-sonnet-4.6 → $0.009, claude-haiku-4.5 → $0.001. После обновления cache_stats покажет экономию, рассчитанную исходя из вашей реальной стоимости. Используйте list_instances, чтобы найти свой instance_id.

Одношаговая настройка трёхуровневой AI-системы памяти cachly для проекта. Уровень 1 — Хранилище: ваш экземпляр cachly (Valkey, сохраняется между сессиями) Уровень 2 — Инструменты: learn_from_attempts + recall_best_solution + smart_recall (API памяти) Уровень 3 — Автопилот: генерирует copilot-instructions.md / .github/copilot-instructions.md, который инструктирует любого MCP-совместимого AI вспоминать известные решения ПЕРЕД каждой задачей и сохранять уроки ПОСЛЕ — полностью автоматически, без ручного труда. Возвращает содержимое copilot-instructions.md + провайдер-специфичный фрагмент .mcp.json. Опционально записывает copilot-instructions.md напрямую в каталог проекта.

Показывает слепые зоны знаний в вашем Brain: домены с нерешёнными сбоями, уроки с отсутствующей атрибуцией и области, где brain_who_knows не может помочь. Запускайте периодически, чтобы найти, куда направить усилия по сбору знаний. Возвращает приоритетный список: 🔴 critical (сбои без решений) → 🟡 warn → 🔵 info. Сочетается с brain_coverage для полной картины здоровья знаний.

Семантический поиск по кэшированному контексту с использованием естественного языка. Вместо точного сопоставления ключей находит контекст по смыслу. Пример: smart_recall("how does authentication work") → возвращает кэшированную сводку архитектуры аутентификации. Если семантическое совпадение не найдено, возвращается к ключам remember_context.

Соотнесите недавние изменения файлов со знаниями brain. Передайте список путей изменённых файлов (из `git diff --stat`). Возвращает уроки, относящиеся к этим файлам, и записывает изменения файлов в историю сессии. Вызывайте это после коммитов, чтобы brain отслеживал, что изменилось и почему.

Добавьте проверенный урок в GLOBAL Cachly Knowledge Commons — общий мозг с сохранением приватности, где каждый экземпляр ИИ учится на находках всех остальных. Ваша личность вкладчика — это однонаправленный HMAC-хеш: полностью анонимно. Урок сразу становится доступен для поиска любому другому ИИ через syndicate_search. Так индивидуальное знание превращается в коллективный интеллект. Вызывайте этот инструмент ПОСЛЕ каждого learn_from_attempts, который стоит опубликовать для всех (критические баги, подводные камни развёртывания, архитектурные находки). Если урок с той же темой уже существует в общем хранилище, он обновляется на месте (идемпотентно). Возвращает { key, confirm_count, scope }, подтверждая сохранённый урок. Используйте scope="org", чтобы оставить урок приватным для вашей организации. НЕ ИСПОЛЬЗУЙТЕ для секретов или PII — содержимое хранится в общей базе знаний.

Ищет решения, добавленные всем сообществом, в GLOBAL Cachly Knowledge Commons. Возвращает уроки, отсортированные сначала по confirm_count (показатель доверия), затем по новизне. Используйте этот инструмент ПЕРЕД отладкой любой неизвестной проблемы - кто-то в глобальном мозгу уже наверняка её решил. Пример: syndicate_search(q="clickhouse localhost connection refused") → "fix: use 127.0.0.1 not localhost when IPv6 is disabled · confirmed by 47 instances"

Покажи состояние глобального Knowledge Commons: общее количество уроков, общее количество подтверждений, топ-категории, самые доверенные уроки, рост за последние 7 дней и топ-участники (анонимные оценки). Используй для еженедельных обзоров или чтобы узнать, что знает сообщество.

Покажи ТРЕНДОВЫЕ уроки в глобальной Knowledge Commons: те, у которых самая высокая скорость подтверждения за последние 7 дней (confirm_count / age_in_days). Используй это в начале сессии или еженедельного обзора, чтобы увидеть, что сообщество активно подтверждает. Чтобы уроки появились здесь, нужно не менее 2 независимых подтверждений.

Назначает роль (admin | reviewer | contributor | viewer) участнику команды в shared brain instance. Роли определяют, что может делать каждый участник: admin может управлять ролями и удалять уроки; reviewer может выполнять старшую проверку (значок 🛡️, более сильное усиление запоминания); contributor может сохранять уроки и выполнять рецензирование (значок ✔️); viewer имеет доступ только для чтения. Первый вызов инициирует управление (аутентификация не требуется, если ещё нет администраторов). После этого только admin может назначать или изменять роли. Пример: team_assign_role(handle="alice", role="reviewer", assigned_by="bob") - bob должен быть admin.

Просмотр журнала аудита управления для общего мозга — неизменяемый след того, кто менял роли и кто подтверждал какие уроки, с временными метками. Необходим для корпоративной отчётности и проверок безопасности. Доступен только администратору после активации управления (назначен администратор). События записываются автоматически при вызове team_assign_role и team_confirm — настройка не требуется. Пример: team_audit(requester="alice") → "👑 role: bob set carol viewer → contributor · ✅ confirm: dave confirmed auth:jwt-skew (senior)".

Подтверждает (ревью-утверждает) командный урок, чтобы проверенное человеком знание было выше непроверенных авто-выученных записей. Одобрение старшего ревьювера весомее, чем коллеги; разные подтверждения дают небольшой бонус. Подтверждённые уроки всплывают выше в smart_recall и team_recall и получают значок 🛡️/✔️. Используй это в код-ревью или ревью знаний, чтобы благословить каноничное решение по теме.

Создайте Team Crystal — общесистемный причинный аналог memory_crystalize. Если memory_crystalize сжимает ОДИН мозг по категориям, team_crystallize выявляет то, что структурно не способна дать память отдельного пользователя: какие исправления решили структурно ПОХОЖИЕ проблемы у НЕСКОЛЬКИХ людей. Паттерн кристаллизуется только когда 2+ разных автора независимо сошлись на нём — этот межпользовательский сигнал и есть защита от однопользовательской памяти в стиле Dreaming. Требует атрибутированных уроков (learn_from_attempts(author=...) / team_learn). Отображается в crystal_view. Пример: team_crystallize() → "🧩 pool — 3 человека сошлись (alice, bob, carol): bounded pool + timeout".

Полный обзор компетенций команды — кто что знает, с первого взгляда. Возвращает ранжированную таблицу всех участников с их количеством уроков, основными темами и датой последней активности. Используйте для онбординга (кого спросить по теме X?), ретроспектив или поиска пробелов в знаниях. Строится автоматически из вызовов learn_from_attempts(author=...) — настройка не требуется.

Добавляет или удаляет участника команды из именованной группы (подкоманды) в общем хранилище (shared brain). Уроки, ограниченные группой (хранящиеся с group="..."), показываются в smart_recall только участникам этой группы (и администраторам). Это видимость на уровне команды, ортогональная приватности на уровне урока. Доступ ограничен администратором после инициализации ролевой модели. Пример: team_grant_scope(handle="alice", group="security", assigned_by="bob") — bob должен быть администратором.

Сохраняет урок в общую базу знаний команды, чтобы все участники могли им воспользоваться. Работает как learn_from_attempts, но ТРЕБУЕТ указать имя автора. Отображается в team_recall с пометкой "by <автор>", чтобы команда знала, кто записал этот урок.

Извлекает уроки из общей базы знаний команды, показывая, кто чему научился. Работает на любом общем экземпляре (все члены команды используют один и тот же instance_id). Показывает автора, актуальность и серьёзность каждого урока. Используйте это, чтобы ввести в курс дела новых членов команды или найти, кто разбирается в теме.

Показывает всех участников команды и их назначенные роли на shared brain instance. Возвращает таблицу с идентификаторами, ролями (👑 admin · 🛡️ reviewer · ✏️ contributor · 👁️ viewer) и возможностями. Используйте при онбординге, чтобы увидеть, кто что может делать, или для проверки назначения ролей.

Выводит список групп команды и их участников, или группы, в которых состоит конкретный человек. Передайте handle, чтобы увидеть области видимости одного человека; опустите его, чтобы увидеть все группы на инстансе. Используйте для аудита того, кто может видеть уроки, ограниченные группой.

Team Brain Synthesis — объединяет уроки нескольких участников по одной теме в единую каноническую версию. Когда 2+ разработчика сохраняют уроки по одной теме с разными деталями, этот инструмент предлагает лучшую объединенную версию. Показывает: все вклады по авторам, что сработало (консенсус), что провалилось (объединение), канонический урок для сохранения. Используйте это при онбординге новых членов команды или перед документированием процесса.

Показывает вашу роль и возможности на shared brain instance. Сообщает, что вы можете делать (сохранять, просматривать, управлять ролями) и к кому обращаться, если нужна более высокая роль. Запускайте после онбординга, чтобы подтвердить, что роль установлена правильно.

Causal Chain - найти все уроки, которые зависят от заданной предпосылки. "Какие уроки будут затронуты, если версия node изменится?" Когда зависимость меняется (новая версия, другой провайдер, новая ОС), вызывайте это, чтобы увидеть, какие уроки нуждаются в проверке. Уроки хранят зависимости через поле depends_on в learn_from_attempts.