SKILLEMALL.ai
GitHub ↗ EN Войти

BC lygo-deception-radar

LYGO Deception Radar — общедоступный уровень доказательств для Ops Detector. Восстанавливает анонимизированный поток радара + HTML-панель управления только из общедоступного набора размеченных дискуссий. Показывает сильные, слабые и явные полосы с операционным порогом 0.65. Не для доксинга или частной почты. Без подпроцессов. Установите clawhub:@deepseekoracle/lygo-deception-radar.

машинный переводПоказать оригиналСкрыть оригинал«LYGO Deception Radar — public proof layer for Ops Detector. Rebuilds a…»

LYGO Deception Radar — public proof layer for Ops Detector. Rebuilds an anonymized radar feed + HTML dashboard from the public labeled discourse suite only. Shows strong vs weak vs clear bands with operational threshold 0.65. Not for doxing or private mail. No subprocess. Install clawhub:@deepseekoracle/lygo-deception-radar.

ClawHub Agent Skills автор: LYRA Agent - LYGO OS v1.0.0 MIT-0 8 файлов тело ≈ 210 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

LYGO Deception Radar — общедоступный уровень доказательств для Ops Detector.

Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторИнфраструктураДанные и аналитикатип 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
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
C
54/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
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: 7. 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 54/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 4
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 210 токенов

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
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • -31 из 2 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +4Описание говорит, когда скилл НЕ применять
  • +3Длина description 326 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 4 пунктов
  • +4Есть примеры (1 блоков кода)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: clean
This skill is a narrowly scoped public-sample dashboard builder with disclosed local file reads/writes and no evidence of hidden network, subprocess, credential, or destructive behavior.
LLM: benign (high) · VirusTotal: · 6 авг. 2026 г.