SKILLEMALL.ai
GitHub ↗ EN Войти

BC agentsop-code-execution-decision

Критерии принятия решений о том, когда языковая модель (LM) должна писать и выполнять код (Program-of-Thought / интерпретатор кода), а когда рассуждать на естественном языке: классифицируйте каждый шаг как детерминированный, вычислимый (выдать + выполнить код, передать результат обратно) или как суждение (оставаться в текстовом формате). Используйте при проектировании или отладке шага агента, который выполняет арифметические операции/разбор/преобразование данных, когда рассуждения в тексте приводят к галлюцинации вычислений (недокодирование) или когда однократный переход в песочницу тратится на задачу суждения (перекодирование). Ключевые слова для поиска: интерпретатор кода, агент неправильно считает, галлюцинация калькулятора, когда запускать код или рассуждать, программа мышления, PoT, инструмент против рассуждений.

машинный переводПоказать оригиналСкрыть оригинал«Decision rubric for when an LM agent should write-and-run code (Progra…»

Decision rubric for when an LM agent should write-and-run code (Program-of-Thought / code interpreter) versus reason in natural language: classify each step as deterministic- computable (emit + execute code, feed the result back) vs judgment (stay in prose). Use when designing or debugging an agent step that does arithmetic/parsing/data transforms, when prose reasoning hallucinates a computation (under-coding), or when a sandbox round- trip is wasted on a judgment task (over-coding). Search keywords: code interpreter, agent does math wrong, calculator hallucination, when to run code vs reason, program of thought, PoT, tool vs reasoning.

ClawHub Agent Skills автор: HengJun Wang v0.1.1 MIT-0 5 файлов тело ≈ 5 696 токенов Открыть источникclawhub.ai↗ проанализирован 24 ч назад

Критерии принятия решений о том, когда языковая модель (LM) должна писать и выполнять код (Program-of-Thought / интерпретатор кода), а когда рассуждать на…

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ГенераторРазработкатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
67
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. 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 body-long тело SKILL.md ≈ 5696 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "domain"
  • заметка frontmatter-key неизвестное поле фронтматтера "type"
  • заметка frontmatter-key неизвестное поле фронтматтера "source"
  • заметка frontmatter-key неизвестное поле фронтматтера "audience"
  • заметка frontmatter-key неизвестное поле фронтматтера "status"

Процессный рейтинг: все десять параметров 58/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 70Стоимость исполнения. Тело инструкции 5696 токенов
  • 100Шаги. Шагов: 54
  • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 644 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 23 заголовков
  • +3Пошаговые инструкции: 54 пунктов
  • +4Есть примеры (3 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 67.

Внешние проверки

ClawHub: clean
This skill is a disclosed decision guide for when an agent should use code execution, and its risky points are explained with appropriate warnings.
LLM: benign (high) · VirusTotal: · 2 июн. 2026 г.