SKILLEMALL.ai

AC argus-design-review

Используйте при проверке фронтенд-кода на качество дизайна — проверка использования токенов дизайна, жестко заданных значений, поддержки темной темы, соответствия требованиям доступности, согласованности CSS, семантического HTML или использования API фреймворка. Используйте при аудите компонента, страницы или системы дизайна на наличие проблем. Ключевые фразы: '帮我 review 这段代码'、'检查一下这个组件的设计问题'、'看看有没有 hardcoded values'、'dark mode 有没有遗漏'、'无障碍有没有问题'、'帮我做个 design audit'、'让 Argus-Flash 审一下'

машинный переводПоказать оригиналСкрыть оригинал«Use when reviewing frontend code for design quality — checking design…»

Use when reviewing frontend code for design quality — checking design token usage, hardcoded values, dark mode coverage, accessibility compliance, CSS consistency, semantic HTML, or framework API usage. Use when auditing a component, page, or design system for issues. Trigger phrases: '帮我 review 这段代码'、'检查一下这个组件的设计问题'、'看看有没有 hardcoded values'、'dark mode 有没有遗漏'、'无障碍有没有问题'、'帮我做个 design audit'、'让 Argus-Flash 审一下'

ClawHub Agent Skills автор: Chenyang v0.4.1 MIT-0 4 файла тело ≈ 7 834 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Используйте при проверке фронтенд-кода на качество дизайна — проверка использования токенов дизайна, жестко заданных значений, поддержки темной темы…

Как процесс C 51/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

АнализаторРазработкаИнфраструктураДизайнтип 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
51/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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 ≈ 7834 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 51/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (argus-design-review) не совпадает с папкой (argus)
  • 55Ошибки и развилки. Развилок: 1
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Стоимость исполнения. Тело инструкции 7834 токенов
  • 100Шаги. Шагов: 67
  • 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

  • +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 412 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 72 заголовков
  • +3Пошаговые инструкции: 67 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (51 блоков кода)

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

Внешние проверки

ClawHub: clean
This skill is a disclosed frontend design review helper that reads code to produce review findings and fixes, with no artifact-backed hidden exfiltration, destructive action, or persistence.
LLM: benign (high) · VirusTotal: · 3 сент. 2026 г.