SKILLEMALL.ai
GitHub ↗ EN Войти

CC codegraph

Анализ проиндексированных кодовых баз с помощью графовой базы данных (neug) и векторного индекса (zvec). Охватывает графы вызовов, зависимости, мертвый код, горячие точки, связность модулей, отчеты по архитектуре, семантический поиск, анализ влияния, поиск первопричин ошибок по проблемам GitHub, диаграммы классов (UML) и обзор PR (оценка рисков, обнаружение конфликтов, кандидаты на автослияние, маркировка). Также охватывает создание, проверку и исправление индекса CodeScope. Используется для: структуры кода, кто что вызывает, почему что-то изменилось, похожих функций, границ модулей, отслеживания ошибок, взаимосвязей классов, рисков/конфликтов PR или любого вопроса, требующего графа знаний кода. Применяется, когда в рабочей области существует индекс `.codegraph` или когда пользователь хочет его создать.

машинный переводПоказать оригиналСкрыть оригинал«Analyze indexed codebases via graph database (neug) and vector index (…»

Analyze indexed codebases via graph database (neug) and vector index (zvec). Covers call graphs, dependencies, dead code, hotspots, module coupling, architecture reports, semantic search, impact analysis, bug root cause from GitHub issues, class diagrams (UML), and PR review (risk scoring, conflict detection, auto-merge candidates, labeling). Also covers creating, inspecting, and repairing a CodeScope index. Use for: code structure, who calls what, why something changed, similar functions, module boundaries, bug tracing, class relationships, PR risk/conflicts, or any question benefiting from a code knowledge graph. Applies when a `.codegraph` index exists in the workspace, or when the user wants to create one.

QwenLM/qwen-code Agent Skills автор: QwenLM Apache-2.0 6 файлов тело ≈ 9 077 токенов Открыть источникgithub.com↗ проанализирован 6 дн назад

Анализ проиндексированных кодовых баз с помощью графовой базы данных (neug) и векторного индекса (zvec).

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, стоимость исполнения, повторный запуск

АнализаторGitHubРазработкатип 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
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
64
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Повторный запуск вес 4
30
Стоимость исполнения вес 6
40
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
Для прогона на моделях — необязательно
  • 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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Analyze indexed codebases via graph database (neug) and vector ind… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение body-long тело SKILL.md ≈ 9077 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 58/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 30Повторный запуск. Изменяющих операций: 16, без проверки текущего состояния
  • 40Стоимость исполнения. Тело инструкции 9077 токенов: вытесняет саму задачу из окна
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, web, python, node), но во frontmatter они не объявлены
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 85Шаги. Шагов: 47, расплывчатых формулировок: 1
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
  • medium Тестов 3, и все положительные: нет ни одного случая «должен отказать» или «должен переспросить»

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 719 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 41 заголовков
  • +3Пошаговые инструкции: 47 пунктов
  • +4Есть примеры (25 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.