SKILLEMALL.ai
GitHub ↗ EN Войти

AB control-assessment

Оценка индивидуальных элементов контроля в рамках организационной документации с извлечением доказательств, классификацией серьезности и рекомендациями по устранению.

машинный переводПоказать оригиналСкрыть оригинал«Evaluate individual framework controls against organizational document…»

Evaluate individual framework controls against organizational documentation with evidence extraction, severity classification, and remediation recommendations.

ClawHub Agent Skills автор: Dangsllc v0.1.5 MIT-0 2 файла тело ≈ 2 824 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Оценка индивидуальных элементов контроля в рамках организационной документации с извлечением доказательств, классификацией серьезности и рекомендациями по…

Как процесс B 71/100 · Почти готов — слабые места: входы и предусловия, повторный запуск, отчётность по ходу

АнализаторИнфраструктураТексты и документытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
B
71/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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.
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 71/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 11, без проверки текущего состояния
  • 55Ошибки и развилки. Развилок: 1
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 41
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2824 токенов
  • low Разделов верхнего уровня: 10. 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)
  • +2Инструкции на одном языке
  • +3Длина description 159 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 17 заголовков
  • +3Пошаговые инструкции: 41 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (4 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: clean
This skill is a straightforward compliance-control assessment helper that reads user-provided documentation and reports evidence and gaps without hidden persistence or mutation behavior.
LLM: benign (high) · VirusTotal: · 20 июл. 2026 г.