SKILLEMALL.ai

AB agent-cost-strategy

Выбор многоуровневых моделей и оптимизация затрат для многоагентных ИИ-рабочих процессов. Используйте этот навык всякий раз, когда вы выбираете модель для задачи, запускаете субагента, настраиваете задания cron или пульсацию или пытаетесь сократить расходы на API. Также используйте, когда пользователь говорит «сэкономить затраты», «какую модель мне использовать», «оптимизировать использование модели», «это становится дорого» или при делегировании любой задачи субагенту. Работает с любым ИИ-провайдером.

машинный переводПоказать оригиналСкрыть оригинал«Tiered model selection and cost optimization for multi-agent AI workfl…»

Tiered model selection and cost optimization for multi-agent AI workflows. Use this skill whenever you are choosing a model for a task, spinning up a sub-agent, setting up cron jobs or heartbeats, or trying to reduce API spend. Also use when the user says "save costs", "which model should I use", "optimize model usage", "this is getting expensive", or when delegating any task to a sub-agent. Works with any AI provider.

ClawHub Agent Skills автор: Deonte Cooper v1.3.6 MIT-0 3 файла тело ≈ 1 309 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Выбор многоуровневых моделей и оптимизация затрат для многоагентных ИИ-рабочих процессов.

Как процесс B 69/100 · Почти готов — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
83
Прогон на моделях
не было
Процессный рейтинг
B
69/100
Почти готов
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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 frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Flow map in block collection must be sufficiently indented and end with a } at line 3, column 110: …:"💰","requires":{"bins":[]},"os":["linux","darwin","win32"],"version":"1.3.6"} ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении

    Процессный рейтинг: все десять параметров 69/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 55Ошибки и развилки. Развилок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 14
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1309 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
    • 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

    • +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 4 примера фраз-триггеров в кавычках
    • +3Длина description 422 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.

    Внешние проверки

    ClawHub: clean
    This is a transparent cost-optimization guidance skill with broad activation language, but it contains only markdown instructions and no hidden code or data access.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.