SKILLEMALL.ai
GitHub ↗ EN Войти

CC persona

Генерация основанных на данных пользовательских персон для UX-исследований и продуктового дизайна. Использование: /persona generate [параметры]

машинный переводПоказать оригиналСкрыть оригинал«Generate data-driven user personas for UX research and product design.…»

Generate data-driven user personas for UX research and product design. Usage: /persona generate [options]

Разбор skillemall

Скилл обещает генерировать personas для UX-исследований — набор демографических данных и поведенческих паттернов для продукта. В файлах одна инструкция на 226 токенов, без скриптов и примеров. Проверки не выявили критических ошибок, но качество оценили в 66 процентов, процесс — в 50. Песочница не запускалась, модели не тестировали.

Что получится: команда /persona generate выплюёт какой-то набор данных. Без примера output и без видимой логики формирования — неясно, насколько полезным будет результат. Ставить можно, если вам нужен быстрый черновик personas, но рассчитывать на production-ready материал не стоит.

LeoYeAI/openclaw-master-skills Agent Skills автор: LeoYeAI 1 файл тело ≈ 226 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Генерация основанных на данных пользовательских персон для UX-исследований и продуктового дизайна.

Как процесс C 50/100 · Есть пробелы — слабые места: шаги, результат и критерий готовности, когда включается

ГенераторДизайнтип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
C
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
50/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
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: 1. 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 50/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 25Шаги. Шагов: 1
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 226 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 105: рекомендуется 120–800 символов
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 6 заголовков
  • +4Есть примеры (3 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.