inbox-memory

Lire et écrire le stockage de l'agent — mémoire et règles avec repli contextuel.

npx skills add https://github.com/microsoft/vscode-team-kit --skill inbox-memory

Inbox Memory

This skill reads and writes persistent memory and rules files for the Inbox agent. It abstracts storage so all agents use a single skill instead of calling #memory directly.

File names

  • Memory: github-inbox-memory.md — session context, patterns, preferences
  • Rules: github-inbox-rules.md — user's rules and preferences

Storage strategy

Two possible backends:

  • #memory tool (VS Code Chat) — stores under the virtual path /memories/
  • File system (~/.copilot/) — used by Copilot CLI; also usable from VS Code Chat
    • ~/.copilot/github-inbox-memory.md
    • ~/.copilot/github-inbox-rules.md

How to pick a backend (run ONCE per session, cache the choice)

  1. Detect availability of #memory: try { "command": "view", "path": "/memories/github-inbox-memory.md" }. If the tool itself errors as unavailable, #memory is NOT available.
  2. Check for existing CLI memory: see if ~/.copilot/github-inbox-memory.md or ~/.copilot/github-inbox-rules.md exist and are non-empty (use ls -la ~/.copilot/ or #view).
  3. Decide:
    • If #memory is unavailable → use file system (~/.copilot/). No prompt.
    • If #memory is available AND ~/.copilot/ has NO existing inbox files → use #memory. No prompt.
    • If #memory is available AND ~/.copilot/ has existing inbox files → ASK the user with #askQuestions which backend to use. Show them what was found (file names + sizes or a one-line preview). Options:
      • "Use ~/.copilot/ (existing CLI memory)" — recommended when CLI files exist
      • "Use VS Code #memory (start fresh / keep VS Code-only)"
      • "Use VS Code #memory and import from ~/.copilot/" — copy current CLI files into #memory once
  4. Cache the chosen backend for the rest of the session and use it for ALL subsequent reads and writes. Do NOT mix backends within a session.

Reading

Via #memory:

{ "command": "view", "path": "/memories/github-inbox-memory.md" }
{ "command": "view", "path": "/memories/github-inbox-rules.md" }

Via file system (fallback): Read ~/.copilot/github-inbox-memory.md or ~/.copilot/github-inbox-rules.md using #read (VS Code) or #view (CLI). If the file doesn't exist, treat as empty / first-time user.

Writing

Via #memory:

{ "command": "delete", "path": "/memories/github-inbox-memory.md" }
{ "command": "create", "path": "/memories/github-inbox-memory.md", "file_text": "<content>" }

If the file doesn't exist yet, skip the delete and just use create.

Via file system (fallback):

  1. Ensure ~/.copilot/ exists: mkdir -p ~/.copilot
  2. Write the file using #edit or via terminal: write full content to ~/.copilot/github-inbox-memory.md.

Rules

  • Always read before writing to avoid losing existing content
  • Memory and rules are separate files — don't mix them
  • Keep memory under 100 lines — deduplicate, keep last 5 session logs, be concise
  • NEVER use repo memory (/memories/repo/) — only the files listed above

Plus de skills de microsoft

oss-growth
microsoft
Persona de growth hacker OSS
agent-framework-azure-ai-py
microsoft
Créez des agents Azure AI Foundry à l’aide du SDK Python Microsoft Agent Framework (agent-framework-azure-ai). À utiliser lors de la création d’agents persistants avec AzureAIAgentsProvider, de l’utilisation d’outils hébergés (interpréteur de code, recherche de fichiers, recherche web), de l’intégration de serveurs MCP, de la gestion de fils de conversation ou de l’implémentation de réponses en streaming. Couvre les outils de fonction, les sorties structurées et les agents multi-outils.
development
airunway-aks-setup
microsoft
Configurez AI Runway sur AKS — du cluster nu au modèle en cours d'exécution. Couvre la vérification du cluster, l'installation du contrôleur, l'évaluation GPU, la configuration du fournisseur et le premier déploiement. QUAND : « configurer AI Runway », « intégrer un cluster AKS », « installer AI Runway », « configuration airunway », « déployer un modèle sur AKS », « inférence GPU sur AKS », « configuration KAITO sur AKS », « exécuter LLM sur AKS », « vLLM sur AKS », « configurer le service de modèles sur AKS », « contrôleur AI Runway ».
devops
appinsights-instrumentation
microsoft
Conseils pour instrumenter les applications web avec Azure Application Insights. Fournit des modèles de télémétrie, la configuration du SDK et des références de configuration. QUAND : comment instrumenter une application, SDK App Insights, modèles de télémétrie, qu'est-ce qu'App Insights, conseils sur Application Insights, exemples d'instrumentation, bonnes pratiques APM.
devops
applicationinsights-web-ts
microsoft
Instrumentez les applications navigateur/web avec le SDK JavaScript Application Insights (@microsoft/applicationinsights-web). Utilisez-le pour la surveillance des utilisateurs réels (RUM) — vues de page, clics, dépendances AJAX/fetch, exceptions, événements personnalisés et traces d’agents GenAI côté navigateur corrélées aux traces OpenTelemetry backend. Couvre le script de chargement du SDK et la configuration npm, les extensions de framework (React, React Native, Angular), Click Analytics, les initialiseurs de télémétrie et les conventions sémantiques OTel GenAI pour les spans d’agents/outils/modèles émises depuis le navigateur.
devops
azure-ai-anomalydetector-java
microsoft
Créez des applications de détection d'anomalies avec le SDK Azure AI Anomaly Detector pour Java. Utilisez-le lors de l'implémentation de la détection d'anomalies univariées/multivariées, de l'analyse de séries temporelles ou de la surveillance basée sur l'IA.
development
azure-ai-language-conversations-py
microsoft
Implémentez la compréhension du langage conversationnel (CLU) à l’aide du SDK Python azure-ai-language-conversations. Utilisez-le lorsque vous travaillez avec ConversationAnalysisClient pour analyser l’intention et les entités d’une conversation, créer des fonctionnalités de NLP ou intégrer la compréhension du langage dans des applications.
development
azure-ai-ml-py
microsoft
SDK v2 d’Azure Machine Learning pour Python. Utiliser pour les espaces de travail ML, les tâches, les modèles, les jeux de données, le calcul et les pipelines. Déclencheurs : « azure-ai-ml », « MLClient », « espace de travail », « registre de modèles », « tâches d’entraînement », « jeux de données ».
development