SKILLEMALL.ai

BC agentsop-bounded-loop

Универсальный модуль для любого цикла на основе LM — повторные попытки агента, план-действие-наблюдение, передача управления между агентами, проходы оптимизатора, циклы тестирования и исправления. Кодирует одно правило, которое каждый фреймворк тихо документирует, а каждая команда дорого переучивает: LM в цикле НИКОГДА не является надежным терминатором. Терминация должна обеспечиваться явным счетчиком + предикатом выхода + сигналом стагнации + путем эскалации, которые находятся ВНЕ контроля LM. Это навык на уровне инструмента, не зависящий от фреймворка. Он отображается на LangGraph (recursion_limit + счетчик состояния + прерывание), CrewAI (max_iter + max_rpm + ввод человека), Claude / OpenAI SDK (max_iterations + бюджет использования инструмента), DSPy (объявленный бюджет оценки), Aider (REPL + явный предел повторных попыток) и AutoGen (max_consecutive_auto_reply). Ключевые слова для поиска: бесконечный цикл, recursion limit, recursion_limit, GraphRecursionError, max iterations, max_iter, агент завис, агент не останавливается, неуправляемый агент, цикл ReAct не завершается, агент повторяется.

машинный переводПоказать оригиналСкрыть оригинал«Universal discipline for any LM-driven loop — agent retries, plan-act-…»

Universal discipline for any LM-driven loop — agent retries, plan-act-observe, multi-agent handoffs, optimiser passes, test-fix cycles. Encodes the one rule every framework documents quietly and every team relearns expensively: the LM in the loop is NEVER a reliable terminator. Termination must be provided by an explicit counter + exit predicate + stagnation signal + escalation path that live OUTSIDE the LM's control. This is a tool- level, framework-agnostic skill. It maps onto LangGraph (recursion_limit + state counter + interrupt), CrewAI (max_iter + max_rpm + human_input), Claude / OpenAI SDKs (max_iterations + tool_use_budget), DSPy (declared evaluation budget), Aider (REPL + explicit retry cap), and AutoGen (max_consecutive_auto_reply). Search keywords: infinite loop, recursion limit, recursion_limit, GraphRecursionError, max iterations, max_iter, agent stuck, agent won't stop, runaway agent, ReAct loop not terminating, agent repeating itself.

ClawHub Agent Skills автор: HengJun Wang v0.1.1 MIT-0 5 файлов тело ≈ 6 861 токенов Открыть источникclawhub.ai проанализирован 27 ч назад

Универсальный модуль для любого цикла на основе LM — повторные попытки агента, план-действие-наблюдение, передача управления между агентами, проходы…

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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: 5. 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")
  • предупреждение body-long тело SKILL.md ≈ 6861 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка edit-residue в тексте есть пометки об устаревшем (строки 74): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

Процессный рейтинг: все десять параметров 51/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (web, python, node), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 6861 токенов
  • 85Шаги. Шагов: 119, расплывчатых формулировок: 1
  • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

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)
  • +3Длина description 963: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 28 заголовков
  • +3Пошаговые инструкции: 119 пунктов
  • +4Есть примеры (4 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.

Внешние проверки

ClawHub: clean
This is a documentation-only coding skill that teaches users how to bound AI agent loops and does not request unusual access or perform hidden actions.
LLM: benign (high) · VirusTotal: · 2 июн. 2026 г.