SKILLEMALL.ai

BB agent-queue-to-reviewed-pr

Превращает очередь заявок в проверенные черновики Pull Request с помощью агента, который никогда не выполняет слияние. Используйте при подключении агента к доске заявок или трекеру задач. Активируется по фразе «auto PR agent», «agent queue».

машинный переводПоказать оригиналСкрыть оригинал«Turn a ticket queue into reviewed draft PRs with an agent that never m…»

Turn a ticket queue into reviewed draft PRs with an agent that never merges. Use when wiring an agent to a ticket board or issue tracker. Trigger on "auto PR agent", "agent queue".

ClawHub Agent Skills автор: Alexandre Bloch v1.1.0 MIT-0 9 файлов тело ≈ 7 000 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Превращает очередь заявок в проверенные черновики Pull Request с помощью агента, который никогда не выполняет слияние.

Как процесс B 75/100 · Почти готов — слабые места: входы и предусловия

АнализаторJiraGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
78/100
безопасность, качество, тесты
Безопасность 60%
70
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
B
75/100
Почти готов
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
50
Инструменты и файлы вес 18
60
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

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 · 6

✓ Критических и высоких находок нет

Средние и низкие: 6
  • средняя Утечка данных net-credential-use references/brief-staleness.md:110
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -fsS -X POST "${STALE_ACK_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}" \
  • средняя Утечка данных net-credential-use references/queue-contract.md:119
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -fsS --max-time 30 "${QUEUE_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}"
  • средняя Утечка данных net-credential-use references/queue-contract.md:131
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -s -o /dev/null -w "%{http_code}\n" "${QUEUE_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}"  # Output: 200
  • средняя Утечка данных net-credential-use SKILL.md:65
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -fsS --max-time 30 "${QUEUE_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}"
  • средняя Утечка данных net-credential-use SKILL.md:101
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -fsS -X POST "${GROUNDING_ACK_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}" \
  • средняя Утечка данных net-credential-use SKILL.md:126
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -fsS -X POST "${ACK_URL}" -H "Authorization: Bearer ${AGENT_API_TOKEN}" \

Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 7000 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 75/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, web, git, python), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 7000 токенов
  • 100Шаги. Шагов: 25
  • 100Результат и критерий готовности. Формат результата и критерий готовности описаны
  • 100Когда включается. Сказано, когда применять и когда не применять
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 17. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (13 тегов): типизированный вызов надёжнее

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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 2 примера фраз-триггеров в кавычках
  • +3Длина description 180 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 18 заголовков
  • +3Пошаговые инструкции: 25 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (7 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

Внешние проверки

ClawHub: clean
The skill is a well-scoped workflow for turning prioritized tickets into human-reviewed draft PRs, with its external writes and local retention behavior disclosed.
LLM: benign (high) · VirusTotal: · 16 июл. 2026 г.