BB reverse-information-paradox
Диагностирует, как использование внешнего ИИ заставляет вас раскрывать проприетарную информацию — ваш «информационный выхлоп» (подсказки, вызовы инструментов, исправления, оценки) — тому, кто контролирует инфраструктуру обучения, и предписывает границу доверия, которая сохраняет ваши данные, оценки, память, адаптированные веса и циклы обучения внутри вашего клиента, одновременно отделяя оркестрацию от любого отдельного поставщика. Активируйте, когда: пользователь спрашивает «обучает ли использование этого поставщика ИИ их модель на наших данных», «улучшают ли наши исправления/оценки модель, которую используют и наши конкуренты», «как нам внедрить внешний ИИ, не раскрывая наши ноу-хау», «кому принадлежит цикл обучения», «привязаны ли мы к одному поставщику ИИ», «мы дообучаем/используем RAG на проприетарных данных с помощью сторонней модели», или описывает предприятие/SMB, чьи операционные данные поступают в ИИ поставщика (помощник по кодированию, бот поддержки, вертикальный SaaS ИИ, партнер по дообучению). НЕ активируйте, когда: ИИ полностью локальный/самостоятельно размещенный без телеметрии, покидающей вашу границу, и без общего обучения; вопрос касается *точности* ИИ-модели или *инженерии подсказок* без измерения владения данными/утечки конкурентной информации; или вы являетесь *поставщиком* ИИ, разрабатывающим конвейер обучения (это другая проблема, сторона продавца). Подробнее: deciqai.com/c/reverse-information-paradox
машинный переводПоказать оригиналСкрыть оригинал«Diagnoses how consuming external AI forces you to reveal proprietary k…»
Diagnoses how consuming external AI forces you to reveal proprietary knowledge — your 'intelligence exhaust' (prompts, tool calls, corrections, evals) — to whoever controls the learning infrastructure, and prescribes a trust boundary that keeps your data, evals, memory, adapted weights, and learning loops inside your tenant while decoupling orchestration from any single provider. Activate when: user asks 'does using this AI vendor train their model on our data', 'are our corrections/evals improving a model our competitors also use', 'how do we adopt external AI without giving away our know-how', 'who owns the learning loop', 'are we locked into one AI provider', 'we're fine-tuning/RAG-ing on proprietary data with a third-party model', or describes an enterprise/SMB whose operational data flows into a vendor AI (coding assistant, support bot, vertical SaaS AI, fine-tuning partner). Do NOT activate when: the AI is fully local/self-hosted with no telemetry leaving your boundary and no shared learning; the question is about AI model *accuracy* or *prompt engineering* with no data-ownership/competitive-leakage dimension; or you are the AI *provider* designing a training pipeline (that is a different, seller-side problem). More: deciqai.com/c/reverse-information-paradox
Диагностирует, как использование внешнего ИИ заставляет вас раскрывать проприетарную информацию — ваш «информационный выхлоп» (подсказки, вызовы инструментов…
Как процесс B 65/100 · Почти готов — слабые места: входы и предусловия, ошибки и развилки, повторный запуск
Как улучшить
- Сократите description до 1024 символов.
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1284 символов, лимит 1024 - предупреждение
body-longтело SKILL.md ≈ 5255 токенов (рекомендуется < 5000); вынесите детали в references/
Процессный рейтинг: все десять параметров 65/100
- 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
- 30Повторный запуск. Изменяющих операций: 12, без проверки текущего состояния
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Стоимость исполнения. Тело инструкции 5255 токенов
- 85Шаги. Шагов: 46, расплывчатых формулировок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 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)
- +3Длина description 1284: рекомендуется 120–800 символов
- -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 46 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (1 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 45.