AC data-quality-checker
Проверка файлов данных CSV, JSON и JSONL на наличие проблем с качеством. Обнаруживает пропущенные значения, дубликаты, несоответствия типов, статистические выбросы, нарушения формата, проблемы с пробелами, пустые столбцы и дрейф схемы. Генерирует оценку качества (0-100) с проблемами, ранжированными по степени серьезности. Поддерживает проверку схемы и автоматическую генерацию схемы. Используйте, когда вас просят проверить качество данных, проверить файлы CSV/JSON, найти проблемы с данными, обнаружить дубликаты, проверить наличие пропущенных значений, проверить типы данных, найти выбросы, сгенерировать отчеты о качестве данных или проверить соответствие схеме. Активируется по запросам «качество данных», «проверить CSV», «проверить данные», «проблемы с данными», «дубликаты», «пропущенные значения», «выбросы», «проверка данных», «проверка схемы», «профилирование данных».
машинный переводПоказать оригиналСкрыть оригинал«Validate CSV, JSON, and JSONL data files for quality issues. Detects m…»
Validate CSV, JSON, and JSONL data files for quality issues. Detects missing values, duplicates, type inconsistencies, statistical outliers, format violations, whitespace problems, empty columns, and schema drift. Generates quality score (0-100) with severity-ranked issues. Supports schema validation and auto-schema generation. Use when asked to check data quality, validate CSV/JSON files, find data issues, detect duplicates, check for missing values, validate data types, find outliers, generate data quality reports, or validate against a schema. Triggers on "data quality", "validate CSV", "check data", "data issues", "duplicates", "missing values", "outliers", "data validation", "schema validation", "data profiling".
Проверка файлов данных CSV, JSON и JSONL на наличие проблем с качеством.
Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- 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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 52/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 7
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 606 токенов
- 100Повторный запуск. Изменяющих операций нет
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 10 примера фраз-триггеров в кавычках
- +3Длина description 727 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 7 заголовков
- +3Пошаговые инструкции: 7 пунктов
- +4Есть примеры (3 блоков кода)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.