SKILLEMALL.ai

AB iterative-code-evolution

Систематическое улучшение кода посредством структурированных циклов анализа-мутации-оценки. Адаптировано из ALMA (Автоматизированное метаобучение дизайнов памяти для агентных систем). Используйте при итеративной работе над качеством кода, оптимизации реализаций, отладке постоянных проблем или эволюции дизайна через несколько циклов улучшений. Заменяет импровизированное «попробуй и исправь» дисциплинированным размышлением, отслеживанием вариантов и обоснованным выбором того, что изменить дальше.

машинный переводПоказать оригиналСкрыть оригинал«Systematically improve code through structured analysis-mutation-evalu…»

Systematically improve code through structured analysis-mutation-evaluation loops. Adapted from ALMA (Automated meta-Learning of Memory designs for Agentic systems). Use when iterating on code quality, optimizing implementations, debugging persistent issues, or evolving a design through multiple improvement cycles. Replaces ad-hoc "try and fix" with disciplined reflection, variant tracking, and principled selection of what to change next.

ClawHub Agent Skills автор: @aaronjmars v1.0.0 3 файла тело ≈ 3 069 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Систематическое улучшение кода посредством структурированных циклов анализа-мутации-оценки.

Как процесс B 71/100 · Почти готов — слабые места: результат и критерий готовности, входы и предусловия

АнализаторРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
B
71/100
Почти готов
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
70
три самых слабых из десяти параметров · все десять

Как улучшить

    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 · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 3. 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 71/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 50
    • 100Ошибки и развилки. Развилок: 5, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 3069 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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 442 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 19 заголовков
    • +3Пошаговые инструкции: 50 пунктов
    • +4Есть примеры (6 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

    Внешние проверки

    ClawHub: clean
    This is a disclosed developer workflow skill for iterative code improvement, with expected code edits, test execution, and local logging but no evidence of hidden or malicious behavior.
    LLM: benign (high) · VirusTotal: suspicious · 28 мая 2026 г.