SKILLEMALL.ai
GitHub ↗ EN Войти

AC jev-skill

Создавайте модели принятия решений Jev от TypeSafe, когда программному обеспечению требуются типизированные суждения, такие как маршрутизация, ранжирование, проверка, извлечение или ограниченное определение баллов. Используйте этот навык для интеграции с Jev API/SDK, разработки вопросов, рабочих процессов с учетом уверенности и планов оценки; не используйте его для обычного генерации текста в свободной форме.

машинный переводПоказать оригиналСкрыть оригинал«Build with Jev, TypeSafe's System One decision model, when software ne…»

Build with Jev, TypeSafe's System One decision model, when software needs typed judgments such as routing, ranking, verification, extraction, or bounded scoring. Use this skill for Jev API/SDK integrations, question design, confidence-aware workflows, and evaluation plans; do not use it for ordinary open-ended text generation.

ClawHub Agent Skills автор: Ai With Enoch v1.10.0 MIT-0 21 файл · 9 скриптов тело ≈ 3 663 токенов Открыть источникclawhub.ai↗ проанализирован 7 дн назад

Создавайте модели принятия решений Jev от TypeSafe, когда программному обеспечению требуются типизированные суждения, такие как маршрутизация, ранжирование…

Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ГенераторGitHubИИ и агентытип 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
A
95/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
54/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Повторный запуск вес 4
30
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 · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1
    • низкая Утечка данных read-dotenv README.md:233
      Чтение файла .env
      cp .env.example .env

    Просканировано файлов: 18. 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 54/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 32
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 3663 токенов
    • 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
    • +3Формат ответа не описан: модель каждый раз решает сама
    • -2Ссылки на localhost: у другого пользователя не заработает
    • -31 из 5 скриптов не упомянуты в SKILL.md
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 328 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 32 пунктов
    • +4Есть примеры (5 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    This skill is a disclosed Jev integration and evaluation harness; its main risk is that user-provided evaluation state can be sent to TypeSafe or configured provider endpoints when users run it.
    LLM: benign (high) · VirusTotal: · 22 сент. 2026 г.