SKILLEMALL.ai
GitHub ↗ EN Войти

AC heteromind

Унифицированная гетерогенная система вопросов и ответов по знаниям. Автоматически маршрутизирует запросы на естественном языке к SQL-базам данных, графам знаний или табличным файлам с использованием 4-уровневого обнаружения (на основе правил, семантика LLM, сопоставление схем, проверка сущностей). Поддерживает несколько поставщиков LLM и двуязычные запросы. Активируется при запросах данных, «сколько», «показать», агрегациях, фильтрах, соединениях или запросах структурированной информации.

машинный переводПоказать оригиналСкрыть оригинал«Unified heterogeneous knowledge QA system. Automatically routes natura…»

Unified heterogeneous knowledge QA system. Automatically routes natural language queries to SQL databases, Knowledge Graphs, or table files using 4-layer detection (rule-based, LLM semantic, schema matching, entity verification). Supports multi-LLM providers and bilingual queries. Trigger on data queries, "how many", "show", aggregations, filters, joins, or structured information requests.

ClawHub Agent Skills автор: Yongrui Chen v0.3.0 MIT-0 45 файлов тело ≈ 2 689 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Унифицированная гетерогенная система вопросов и ответов по знаниям.

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки

АнализаторИИ и агентыИнфраструктуратип 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
90/100
безопасность, качество, тесты
Безопасность 60%
96
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Инструменты и файлы вес 18
60
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 · 4

    ✓ Критических и высоких находок нет

    Средние и низкие: 4
    • низкая Утечка данных read-dotenv SECURITY.md:241
      Чтение файла .env (документация security-скилла)
      cp .env.example .env
      security-скилл
    • низкая Утечка данных read-dotenv SECURITY.md:248
      Чтение файла .env (документация security-скилла)
      export $(cat .env | xargs)
      security-скилл
    • низкая Утечка данных read-dotenv SKILL.md:292
      Чтение файла .env
      cp .env.example .env
    • низкая Утечка данных read-dotenv SKILL.md:298
      Чтение файла .env
      export $(cat .env | xargs)

    Просканировано файлов: 39. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "required_env_vars"
    • заметка frontmatter-key неизвестное поле фронтматтера "optional_env_vars"

    Процессный рейтинг: все десять параметров 62/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 20
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2689 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 15. 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)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • -2Ссылки на localhost: у другого пользователя не заработает
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 392 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 36 заголовков
    • +3Пошаговые инструкции: 20 пунктов
    • +4Есть примеры (21 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.

    Внешние проверки

    ClawHub: suspicious
    This appears to be a real multi-source QA skill, but it can run AI-generated code and database queries with weak enforced safeguards.
    LLM: suspicious (high) · VirusTotal: suspicious · 28 мая 2026 г.