SKILLEMALL.ai
GitHub ↗ EN Войти

CC create-data-visualizations

Разрабатывать, реализовывать, редактировать или диагностировать надежные визуализации данных для задач исследования, объяснения, мониторинга и публикации. Использовать для структурированных данных, статистических графиков, интерактивных диаграмм, историй данных, аналитических страниц или количественных доказательств в панелях мониторинга; отвечать за семантику и состояние данных, преобразования анализа, кодирование и масштабирование, выбор профессиональных инструментов, шаблоны графиков, интерактивность и проверку задач читателя.

машинный переводПоказать оригиналСкрыть оригинал«为探索、解释、监测与出版任务设计、实现、编辑或诊断可信的数据可视化。用于结构化数据、统计图、交互图、数据故事、分析页面或仪表板中的量化证据；…»

为探索、解释、监测与出版任务设计、实现、编辑或诊断可信的数据可视化。用于结构化数据、统计图、交互图、数据故事、分析页面或仪表板中的量化证据；负责数据语义与状态、分析变换、编码与尺度、专业工具选型、图形母版、交互和读者任务验证。

EverMind-AI/Raven Agent Skills автор: EverMind-AI Apache-2.0 3 файла тело ≈ 977 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Разрабатывать, реализовывать, редактировать или диагностировать надежные визуализации данных для задач исследования, объяснения, мониторинга и публикации.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
C
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 53/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 36
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 977 токенов
  • 100Повторный запуск. Изменяющих операций нет

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 113: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 36 пунктов
  • +4Есть примеры (2 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.