SKILLEMALL.ai

AA tree-risk-assessment

Используйте этот навык, когда сертифицированный арборист ISA, специалист с квалификацией TRAQ или городской лесовод должен задокументировать базовую оценку риска деревьев Уровня 2 в соответствии с ISA BMP-TRA (2-е изд.) и ANSI A300 Часть 9. Применяет двухэтапную матрицу TRAQ для получения рейтинга Низкий/Средний/Высокий/Экстремальный с вариантами смягчения последствий. Создает ПРОЕКТ отчета для утверждения арбористом с квалификацией TRAQ.

машинный переводПоказать оригиналСкрыть оригинал«Use this skill when an ISA Certified Arborist, TRAQ-qualified practiti…»

Use this skill when an ISA Certified Arborist, TRAQ-qualified practitioner, or urban forester needs to document a Basic Level 2 tree risk assessment per ISA BMP-TRA (2nd ed.) and ANSI A300 Part 9. Applies the two-step TRAQ matrix to produce a Low/Moderate/High/Extreme rating with mitigation options. Produces a DRAFT report for TRAQ-qualified arborist sign-off.

ClawHub Agent Skills автор: devasher v0.1.2 MIT-0 4 файла тело ≈ 5 235 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте этот навык, когда сертифицированный арборист ISA, специалист с квалификацией TRAQ или городской лесовод должен задокументировать базовую оценку…

Как процесс A 83/100 · Дойдёт до конца — слабые места: повторный запуск

АнализаторИнфраструктураДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
A
83/100
Дойдёт до конца
Повторный запуск вес 4
30
Когда включается вес 12
50
Входы и предусловия вес 11
70
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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 5235 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 83/100

  • 30Повторный запуск. Изменяющих операций: 16, без проверки текущего состояния
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Ошибки и развилки. Развилок: 5
  • 70Стоимость исполнения. Тело инструкции 5235 токенов
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 26
  • 100Результат и критерий готовности. Формат результата и критерий готовности описаны
  • 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
  • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

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 362 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 30 заголовков
  • +3Пошаговые инструкции: 26 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (3 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
The supplied scanners are clean, and I found no artifact-backed evidence of hidden, destructive, or purpose-mismatched behavior.
LLM: benign (medium) · VirusTotal: · 28 мая 2026 г.