SKILLEMALL.ai

AC build-plots

Создавайте четкие, готовые к публикации визуализации данных Python с использованием pandas, Matplotlib, Seaborn и опционального интерактивного Bokeh. Используйте для выбора диаграммы на основе структуры набора данных, написания или пересмотра кода построения графиков, применения принципов «Storytelling with Data», замены вводящих в заблуждение или загроможденных диаграмм и экспорта воспроизводимых PNG-превью плюс векторных PDF-фигур для научных статей.

машинный переводПоказать оригиналСкрыть оригинал«Create clear, publication-ready Python data visualizations with pandas…»

Create clear, publication-ready Python data visualizations with pandas, Matplotlib, Seaborn, and optional Bokeh interaction. Use for choosing a chart from a dataset's structure, writing or revising plot-building code, applying Storytelling with Data principles, replacing misleading or cluttered charts, and exporting reproducible PNG previews plus vector PDF figures for scientific papers.

ClawHub Agent Skills автор: abhhfcgjk v1.0.0 MIT-0 16 файлов тело ≈ 1 088 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Создавайте четкие, готовые к публикации визуализации данных Python с использованием pandas, Matplotlib, Seaborn и опционального интерактивного Bokeh.

Как процесс C 55/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

ГенераторДанные и аналитикаРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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: 1. 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 55/100

    • 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
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Шаги. Шагов: 32
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1088 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели

    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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 390 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 7 заголовков
    • +3Пошаговые инструкции: 32 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)
    • +3Все 2 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.

    Внешние проверки

    ClawHub: clean
    This skill is a coherent plotting helper; its main risks are ordinary dependency and browser-CDN trust considerations for optional Bokeh examples.
    LLM: benign (high) · VirusTotal: · 1 авг. 2026 г.