BD trtllm-codebase-exploration
Систематический подход к исследованию кодовой базы TensorRT-LLM перед реализацией новых функций или оптимизаций. Учит обнаруживать существующую инфраструктуру, отслеживать пути кода и избегать повторной реализации того, что уже существует. Основано на реальных ошибках, когда было написано и удалено ~250 строк кода, потому что существующие методы прямого распространения не были обнаружены заранее. Используйте при начале работы над любой новой функцией, оптимизацией или модификацией кода в TRT-LLM.
машинный переводПоказать оригиналСкрыть оригинал«Systematic approach to exploring the TensorRT-LLM codebase before impl…»
Systematic approach to exploring the TensorRT-LLM codebase before implementing new features or optimizations. Teaches how to discover existing infrastructure, trace code paths, and avoid reimplementing what already exists. Derived from real mistakes where ~250 lines of code were written and deleted because existing forward methods weren't discovered upfront. Use when starting any new feature, optimization, or code modification in TRT-LLM.
Скилл учит систематически исследовать кодовую базу TensorRT-LLM перед тем, как писать новое. Обещает сэкономить время на переделках — автор ссылается на реальный случай, когда 250 строк кода пришлось удалить, потому что нужная функция уже существовала. В файлах — инструкция по поиску существующей инфраструктуры и трассировке путей кода, ничего сложнее.
Проверки показали: оценка B, quality 85 из 100, без критических ошибок. Критических находок нет, lint чистый. Скилл работает на всех популярных платформах и моделях. Минус — процесс-оценка всего 44, что намекает на отсутствие автоматизации или примеров запуска. Это не инструмент, а методичка, и методичка рабочая.
Ставить стоит, если вы регулярно добавляете фичи в TRT-LLM и хотите избежать очевидных ошибок. Если работаете в проекте от случая к случаю — переполнение памяти полезной информацией.
Систематический подход к исследованию кодовой базы TensorRT-LLM перед реализацией новых функций или оптимизаций.
Как процесс D 44/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- 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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 44/100
- 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
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 85Шаги. Шагов: 22, расплывчатых формулировок: 1
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2131 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 442 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 18 заголовков
- +3Пошаговые инструкции: 22 пунктов
- +4Есть примеры (8 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.