AD dataset-creation-training
Сквозной рабочий процесс для создания, очистки, аннотирования, разделения и обучения на пользовательских наборах данных. Охватывает сбор данных, контроль качества, стандартизацию форматов (Alpaca, ShareGPT, ChatML, JSONL), генерацию синтетических данных, разделение на обучающую/валидационную/тестовую выборки и интеграцию обучения. Используйте, когда пользователь хочет «создать набор данных», «подготовить обучающие данные», «дообучить модель», «очистить данные для машинного обучения» или «сгенерировать синтетические примеры».
машинный переводПоказать оригиналСкрыть оригинал«End-to-end workflow for building, cleaning, annotating, splitting, and…»
End-to-end workflow for building, cleaning, annotating, splitting, and training on custom datasets. Covers data collection, quality assurance, format standardization (Alpaca, ShareGPT, ChatML, JSONL), synthetic data generation, train/val/test splitting, and training integration. Use when the user wants to "create a dataset", "prepare training data", "fine-tune a model", "clean data for ML", or "generate synthetic examples".
Сквозной рабочий процесс для создания, очистки, аннотирования, разделения и обучения на пользовательских наборах данных.
Как процесс D 47/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
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: 2. 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 47/100
- 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
- 40Согласованность. Имя во frontmatter (dataset-creation-training) не совпадает с папкой (dataset-creation-skill)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 16
- 100Стоимость исполнения. Тело инструкции 625 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
- +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
- +5В description 5 примера фраз-триггеров в кавычках
- +3Длина description 427 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 16 пунктов
- +4Есть примеры (0 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.