SKILLEMALL.ai

AC code-modification-guard

Обеспечивает безопасность, точность и эффективность изменений кода. Гарантирует понимание намерений пользователя, соблюдение разрешенной области, запрет на изменение элементов кода без разрешения, приоритет повторного использования существующих ресурсов, поддержание единообразия стиля кода, анализ влияния изменений и проактивную проверку качества. Используйте, когда пользователь упоминает исправить ошибку, добавить функцию, рефакторить, изменить код, почистить, оптимизировать, помоги мне посмотреть или любую другую задачу по изменению кода. НЕ используйте для создания новых проектов с нуля.

машинный переводПоказать оригиналСкрыть оригинал«Ensures code modifications are safe, precise, and efficient. Enforces…»

Ensures code modifications are safe, precise, and efficient. Enforces understanding user intent, following authorized scope, never modifying code elements without permission, prioritizing reuse of existing resources, maintaining code style consistency, analyzing change impact, and providing proactive quality checks. Use when user mentions fix bug, add feature, refactor, modify code, clean up, optimize, help me look, or any code modification task. Do NOT use for creating new projects from scratch.

ClawHub Agent Skills автор: 小熙 v1.0.7 MIT-0 2 файла тело ≈ 3 859 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Обеспечивает безопасность, точность и эффективность изменений кода.

Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу

АнализаторРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
56/100
Есть пробелы
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 56/100

    • 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
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Ошибки и развилки. Развилок: 2
    • 100Шаги. Шагов: 25
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 3859 токенов
    • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 501 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 24 заголовков
    • +3Пошаговые инструкции: 25 пунктов
    • +4Есть примеры (12 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    The skill has no evidence of malware or hidden behavior; the main issue is that its activation wording appears broader than necessary.
    LLM: benign (medium) · 28 мая 2026 г.