SKILLEMALL.ai
GitHub ↗ EN Войти

FD lambda-labs-gpu-cloud

Выделенные и по запросу GPU-инстансы в облаке для обучения и инференса ML. Используйте, когда вам нужны выделенные GPU-инстансы с простым SSH-доступом, постоянными файловыми системами или высокопроизводительными многоузловыми кластерами для крупномасштабного обучения.

машинный переводПоказать оригиналСкрыть оригинал«Reserved and on-demand GPU cloud instances for ML training and inferen…»

Reserved and on-demand GPU cloud instances for ML training and inference. Use when you need dedicated GPU instances with simple SSH access, persistent filesystems, or high-performance multi-node clusters for large-scale training.

Не рекомендуетсяесть критические или высокие находки безопасности · низкая оценка F
Orchestra-Research/AI-Research-SKILLs Agent Skills автор: Orchestra-Research MIT 3 файла тело ≈ 2 920 токенов Открыть источникgithub.com↗ проанализирован 6 дн назад

Выделенные и по запросу GPU-инстансы в облаке для обучения и инференса ML.

Как процесс D 39/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктураИИ и агентытип 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
F
47/100
безопасность, качество, тесты
Безопасность 60%
23
Качество 40%
82
Прогон на моделях
не было
Процессный рейтинг
D
39/100
Процесс не доведён
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
Это копия скилла из другого каталога, в рейтинге считается основная: lambda-labs-gpu-cloud (davila7/claude-code-templates)

Чем это грозит

Скилл содержит фрагменты, которые в чужих руках стоят денег или данных. Ниже, что рискует потерять тот, кто установит, и что должен сделать автор.

Опасные команды
Если установить

Скилл содержит команды, которые удаляют файлы, переписывают диски или исполняют код, скачанный из сети. Агент может выполнить их без вопроса, если считает, что так требует инструкция.

Автору

Замените разрушительные команды на безопасные аналоги с подтверждением, ограничьте область действия конкретной папкой и не тяните код через curl | bash: укажите версию и контрольную сумму.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

Как улучшить

  1. Разберите находки высокой серьёзности: каждая стоит 18 баллов безопасности. Если это ложное срабатывание, добавьте код правила в guard.allow в spec.yaml.
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 · 11

  • высокая Опасные команды cmd-pipe-to-shell references/troubleshooting.md:148
    Скачивание и запуск удалённого кода с неизвестного хоста (pipe в shell)
    wget -nv -O- https://lambdalabs.com/install-lambda-stack.sh | sh -
  • высокая Опасные команды cmd-pipe-to-shell references/troubleshooting.md:196
    Скачивание и запуск удалённого кода с неизвестного хоста (pipe в shell)
    wget -nv -O- https://lambdalabs.com/install-lambda-stack.sh | sh -
Средние и низкие: 9
  • средняя Опасные команды cmd-shell-rc references/advanced-usage.md:610
    Запись в файл автозагрузки shell (.bashrc / .zshrc / .profile)
    echo 'export HF_TOKEN="..."' >> ~/.bashrc
  • средняя Утечка данных net-credential-use references/troubleshooting.md:12
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use references/troubleshooting.md:50
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use references/troubleshooting.md:82
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use references/troubleshooting.md:479
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use SKILL.md:221
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use SKILL.md:228
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • средняя Утечка данных net-credential-use SKILL.md:241
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -u $LAMBDA_API_KEY: \
  • низкая Утечка данных read-dotenv references/advanced-usage.md:607
    Чтение файла .env
    source .env

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

По спецификации Agent Skills

  • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"

Процессный рейтинг: все десять параметров 39/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 4, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (lambda-labs-gpu-cloud) не совпадает с папкой (lambda-labs)
  • 60Инструменты и файлы. Используются инструменты (web, python, node), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 66
  • 100Стоимость исполнения. Тело инструкции 2920 токенов
  • low Разделов верхнего уровня: 17. Похоже на несколько доменов в одном скилле

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
  • -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
  • -2Ссылки на localhost: у другого пользователя не заработает
  • +2Инструкции на одном языке
  • +3Длина description 229 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 60 заголовков
  • +3Пошаговые инструкции: 66 пунктов
  • +4Есть примеры (29 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 82.