SKILLEMALL.ai

AC knowledge-and-trends-engine

Движок накопления знаний и анализа технологических трендов. Периодически обобщает изученные концепции из взаимодействий пользователя, анализирует контент из видео/статей/изображений, предоставленных пользователем, исследует последние технологические/новостные тренды и самосовершенствуется. Триггеры: «обобщи, что мы обсуждали», «узнай из этой статьи», «проанализируй это видео», «что нового в технологиях», «создай сводку знаний» или периодические запланированные обзоры.

машинный переводПоказать оригиналСкрыть оригинал«Knowledge accumulation and tech trend analysis engine. Periodically su…»

Knowledge accumulation and tech trend analysis engine. Periodically summarizes learned concepts from user interactions, parses content from videos/articles/images shared by user, researches latest tech/news trends, and self-iterates. Triggers: "summarize what we discussed", "learn from this article", "analyze this video", "what's new in tech", "create a knowledge summary", or periodic scheduled reviews.

ClawHub Agent Skills автор: shake27 v1.0.0 MIT-0 2 файла тело ≈ 1 779 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Движок накопления знаний и анализа технологических трендов.

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторТексты и документытип 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
C
62/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 62/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 65Ошибки и развилки. Развилок: 3
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 47
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1779 токенов
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 5 примера фраз-триггеров в кавычках
  • +3Длина description 406 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 47 пунктов
  • +4Есть примеры (6 блоков кода)

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

Внешние проверки

ClawHub: suspicious
This skill matches its stated purpose, but it should be reviewed because it can persist and periodically reprocess user-derived memory and shared content without clear consent or deletion controls.
LLM: suspicious (high) · 28 мая 2026 г.