SKILLEMALL.ai

AC autonomous-github-team

Автономная команда GitHub — 41 ИИ-агент, который автономно отслеживает репозиторий GitHub, обнаруживает ошибки, создает исправления, открывает PR и выпускает релизы в продакшн. Активируется по запросам: "запустить агентов GitHub", "автономная команда разработчиков", "автоматическое исправление ошибок", "AI-ревью кода", "автоматизация рабочего процесса GitHub", "автоматизация CI/CD". ⚠️ БЕЗОПАСНОСТЬ: Требуется GitHub PAT с правами на запись. Клонирует и выполняет сторонние скрипты. См. "Примечания по безопасности" ниже перед установкой.

машинный переводПоказать оригиналСкрыть оригинал«Autonomous GitHub Team — 41 AI agents that autonomously monitor a GitH…»

Autonomous GitHub Team — 41 AI agents that autonomously monitor a GitHub repository, detect bugs, create fixes, open PRs, and release to production. Triggers on: "run GitHub agents", "autonomous dev team", "automated bug fixing", "AI code review", "GitHub workflow automation", "CI/CD automation". ⚠️ SECURITY: Requires a GitHub PAT with write access. Clones and executes third-party scripts. See "Security Notes" below before installing.

ClawHub Agent Skills автор: captainsvbot v1.2.0 MIT-0 2 файла тело ≈ 801 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Автономная команда GitHub — 41 ИИ-агент, который автономно отслеживает репозиторий GitHub, обнаруживает ошибки, создает исправления, открывает PR и выпускает…

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

АнализаторGitHubРазработкаИнфраструктураИИ и агентытип 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
55/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
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 55/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
  • 55Ошибки и развилки. Развилок: 1
  • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 100Шаги. Шагов: 12
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 801 токенов
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

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 7 примера фраз-триггеров в кавычках
  • +3Длина description 438 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +4Есть примеры (5 блоков кода)

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

Внешние проверки

ClawHub: clean
This is a high-risk GitHub automation skill, but its powerful repository access and script execution are clearly disclosed and aligned with its stated purpose.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.