SKILLEMALL.ai
GitHub ↗ EN Войти

CC wiki

Позвольте ИИ по-настоящему понять большие кодовые базы: для проектов с несколькими репозиториями, несколькими микросервисами, которые развивались годами, выполните обратное проектирование архитектуры + граф Graph RAG + многоязычный AST, чтобы сжать огромную кодовую базу в структурированную базу знаний, где каждое заключение отслеживается до строки кода, а каждое отношение имеет метку уверенности. Подходит для проектов с 10+ репозиториями или микросервисами, которые ИИ не может глобально понять, читая код напрямую. Триггеры: анализ архитектуры, обратное проектирование архитектуры, база знаний кодовой базы, код-в-знания, вики-архитектура, большая кодовая база с несколькими репозиториями. Загружается по требованию заглушкой обнаружения teamai.

машинный переводПоказать оригиналСкрыть оригинал«Make AI truly understand large codebases: for multi-repository, multi-…»

Make AI truly understand large codebases: for multi-repository, multi-microservice projects that have evolved over years, run architecture reverse-engineering + a Graph RAG graph + multi-language AST to compress a huge codebase into a structured knowledge base, where every conclusion traces back to a code line and every relation carries a confidence label. Suited to projects with 10+ repositories or microservices that AI cannot understand globally by reading the code directly. Triggers: architecture analysis, architecture reverse-engineering, codebase knowledge base, code-to-knowledge, architecture wiki, large multi-repo codebase. Loaded on demand by the teamai discovery stub.

Не рекомендуетсяесть критические или высокие находки безопасности
Tencent/teamai-cli Agent Skills автор: Tencent NOASSERTION 17 файлов · 2 скрипта тело ≈ 4 217 токенов Открыть источникgithub.com↗ проанализирован 3 дн назад

Позвольте ИИ по-настоящему понять большие кодовые базы: для проектов с несколькими репозиториями, несколькими микросервисами, которые развивались годами…

Как процесс C 61/100 · Есть пробелы — слабые места: ошибки и развилки, повторный запуск, отчётность по ходу

ГенераторРазработкатип 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
80/100
безопасность, качество, тесты
Безопасность 60%
82
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

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.

Обфускация
Если установить

В файлах есть невидимые символы, закодированные команды или спрятанные комментарии для модели. То, что вы читаете, отличается от того, что видит агент.

Автору

Уберите невидимые символы (часто они попадают из копипаста) и закодированные строки: их не пропустит ни один каталог. Инструкции для модели должны быть видны и человеку.

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.
  2. 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 · 1

  • высокая Обфускация uni-zero-width references/methodology/phase2-document-types.md:289
    Невидимые символы нулевой ширины (возможен скрытый текст) (6 шт.)
    ␀```mermaid

Просканировано файлов: 17. 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")
  • заметка edit-residue в тексте есть пометки об устаревшем (строки 101): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

Процессный рейтинг: все десять параметров 61/100

  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 4217 токенов
  • 100Шаги. Шагов: 21
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (10 тегов): типизированный вызов надёжнее

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)
  • -31 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 685 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 21 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.