Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx skills add ellmos-ai/build-your-users-mind --skill jagit clone --depth 1 https://github.com/ellmos-ai/build-your-users-mindWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/ellmos-ai/build-your-users-mind/ja)<a href="https://agentmods.dev/skills/ellmos-ai/build-your-users-mind/ja"><img src="https://agentmods.dev/badge/skills/ellmos-ai/build-your-users-mind/ja/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/skills/ellmos-ai/build-your-users-mind/ja"><img src="https://agentmods.dev/badge/skills/ellmos-ai/build-your-users-mind/ja.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00125 | $0.02196 |
| Opus 5 | $0.00063 | $0.01098 |
| Sonnet 5 | $0.00025 | $0.00439 |
| Haiku 4.5 | $0.00013 | $0.00220 |
Grade A, and why
build-your-users-mind scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 8d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
Copies of this mod
1 near-identical copy found in the catalogue:
- build-your-users-mind — 88% identical, 76 lines differ
How it starts
The opening of the file, as written. The whole thing — 60 lines — stays where its author put it; the contents beside it link to each section on GitHub.
Translation status (2026-07-15): historical pre-1.1 draft. The root English documents are authoritative; do not use this translation as the current operational or security contract.
build-your-users-mind — アグノスティックToMモジュール（フィードバック予知）
What you mind is what you get. フレームワークではなくレシピです。各エージェントモデルはこれを使用して、自身のユーザーのToMモデルを構築します：自身のデータの評価 → 意思決定パターンの抽出 → アバターファイルの保守 → 自身のメモリ/ルールファイル/システムプロンプトへのバインド。
コア = フィードバック予知（feedback precognition / feedforward）： ユーザーのフィードバックが届く前にそれを予測し、不在時の制御シグナルとして使用します。その後、予測と現実を評価して自己改善します。
テンプレート：
templates/（アバターファイル）、scripts/（パイプライン）、TAXONOMY.md（8つのタイプ）、skills/swarm-operations/（分類スウォーム）。著者の実際のログに基づくプライベートな参照実装が存在しますが、同梱はされていません。理論的基盤： Prompt-Archaeology（手法、分類は
TAXONOMY.md） + ToM研究（ToM-SWE arXiv 2510.21903; Persistent Memory & User Profiles 2510.07925）。
基本原則
LLMは生のギガバイトデータを直接見ることはありません。決定論的なスクリプトが最初にデータを整理し、人間が入力したプロンプトのクリーンなコーパスを作成します。その後に初めて、分類スウォームがセマンティックな（意味的な）処理を行います。 核となるのは「どのプロンプトか」ではなく、**「どのような決定 → どのような結果 → ユーザーは満足したか」**です。
6つのステップ
1. 情報源の特定（ソースアダプター）
自身の対話ログを見つけます。モデルごとに異なります → SOURCE-ADAPTERS.md を参照。
人間が入力した本物のプロンプトのみを抽出します（ツール実行結果、システムリマインダー、フックによる注入、コンテキスト圧縮の要約は除外）。フィールド：ts, project, session, text。
2. 削減・整理（決定論的、LLM不使用）
- 合成（システム生成）されたターンをフィルタリングし、重複を排除し、定型文やマイクロ確認を統合します。
- フォローアップの接続： 各プロンプトに対して、次のユーザーのターンを
outcome_signal（praise（称賛） | reissue（再発行） | correction（修正） | abandon（破棄） | none）として導出し、満足度シグナルとします。 - 意思決定辞書を用いて
decision_scoreを算出します（修正/優先度/ルール/制御）。 - 個人情報の保護（永続化前の必須処理）： シークレット/トークン/キー/メールアドレス、およびユーザーに応じて健康/税金/IPアドレスなどを隠蔽（マスク）します。
3. 分類（スウォーム、階層型 + スティグマジー）
8タイプの分類法 SP/NT/NM/NS/KO/BE/RA/MP（定義は TAXONOMY.md） + decision_kind (preference/correction/rule/direction_change/approval/rejection/process/none) + formulation_pattern（ユーザー特有の表現パターン）。大規模なコーパスの場合、ドメインリード（Sonnet）がチャックワーカー（Haiku）を指揮します。
4. アバターファイルの作成
templates/ の構造を1:1でコピーし、<USER> と <AGENT> を置換します：
WHAT-<USER>-SAID.md（証拠） · WHAT-WOULD-<USER>-SAY.md（予測 + 信頼度） · WHAT-I-DID-…md + MY-ACTIONS.txt（アクションログ） · WHAT-<USER>-SAID-ABOUT-…md（学習内容） · PROMPT-LOG（切り抜きと手がかり） · METHODIK.md（バイアスに関する警告含む） · START.md（0→4ループ）。
What ships with it
6 files beside SKILL.md in the same directory: the scripts, references and assets a skill reads on demand. Not counted in the per-session cost; read them before you install if any of them is executable.
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 8d ago First seen · 60 lines · 125 tokens per session scan A 14ccb7d7b169
build-your-users-mind is a skill published in the GitHub repository ellmos-ai/build-your-users-mind (3 stars, last pushed 2d ago), licensed MIT. It adds 125 tokens to every session and 2,196 once invoked, about $0.0006 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-31.
Other skills, from other repositories
build-your-users-mind
Verweist auf das öffentliche, anbieterneutrale Modul build-your-users-mind: ein datenschutzbewusstes Verfahren zum Aufbau eines empirischen Theory-of-Mind-Präferenzmodells eines autorisierten Nutzers aus dessen eigenen Interaktionsprotokollen. Verwenden, wenn eine zuständige Person ein Entscheidungsavatar-Profil…
mem0-tour
Browses all stored memories grouped by category with full content display. Use when reviewing all project memories, exploring stored knowledge, onboarding to a project, or getting an overview of captured decisions, conventions, and learnings.
mem0-vercel-ai-sdk
Mem0 provider for Vercel AI SDK (@mem0/vercel-ai-provider). TRIGGER when: user mentions "vercel ai sdk", "@mem0/vercel-ai-provider", "createMem0", "retrieveMemories", "addMemories", "getMemories", "searchMemories", "mem0 vercel", "AI SDK provider", "AI SDK memory", or is using generateText/streamText with mem0. Also…
peek
Searches memories and displays compact one-liner results, or looks up a specific memory by ID. Use for quick memory lookups, checking if a decision was recorded, resolving [mem0:id] citations, or browsing memories without full category detail.
mine
Mine a project or conversation into your MemPalace — extract and store memories for later retrieval.
agent-carnet
Use this skill when the user asks to save, recall, find, or organize notes. Triggers on: 'remember this', 'save this', 'note this', 'what did we discuss about...', 'check the notebook', 'find in carnet'. Also use proactively when discovering findings worth preserving across sessions.