SKILLEMALL.ai

BC decision-log

Журнал принятия решений на основе ИИ для соло-предпринимателей — записывайте решения с контекстом, обоснованием и ожидаемыми результатами, а затем просматривайте их позже, чтобы учиться на том, что вы сделали правильно и неправильно.

машинный переводПоказать оригиналСкрыть оригинал«AI-powered decision journal for solopreneurs — capture decisions with…»

AI-powered decision journal for solopreneurs — capture decisions with context, rationale, and expected outcomes, then review them later to learn from what you got right and wrong.

ClawHub Hermes автор: Clawdssen v1.0.2 MIT-0 3 файла тело ≈ 2 875 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Журнал принятия решений на основе ИИ для соло-предпринимателей — записывайте решения с контекстом, обоснованием и ожидаемыми результатами, а затем…

Как процесс C 61/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность

АнализаторЛичная продуктивностьИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent Cursor
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
62
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Повторный запуск вес 4
30
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.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 179 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "url"

Процессный рейтинг: все десять параметров 61/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (decision-log) не совпадает с папкой (agentledger-decision-log)
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 8
  • 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
  • 100Стоимость исполнения. Тело инструкции 2875 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 12. 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
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +2Инструкции на одном языке
  • +3Длина description 179 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 24 заголовков
  • +3Пошаговые инструкции: 8 пунктов
  • +4Есть примеры (13 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 62.

Внешние проверки

ClawHub: clean
This is a local decision-journal skill with optional automation prompts, and the reviewed artifacts do not show hidden code, network transfer, credential use, or destructive behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.