SKILLEMALL.ai

BD knowledge-review

Система управления знаниями для обучения. Поддерживает ввод знаний, категориальное хранение, ежедневные рекомендации по обучению утром, вечерние напоминания для повторения знаний, управление специальной подготовкой к экзаменам (включая программу и отслеживание сроков), поиск и обслуживание знаний. Способы активации: выучил/изучил/знания/записать/знание:/K:/узнал/N-я статья/развернуть/поискать/поиск/начать спецкурс/прогресс/программа и т. д. Подходит для сценариев подготовки к экзаменам/непрерывного обучения.

машинный переводПоказать оригиналСкрыть оригинал«学习知识管理系统。支持知识点录入、分类存储、每日早间学习建议推送、晚间知识回顾推送、专项备考管理(含大纲和DDL追踪)、知识点查询与维护。触…»

学习知识管理系统。支持知识点录入、分类存储、每日早间学习建议推送、晚间知识回顾推送、专项备考管理(含大纲和DDL追踪)、知识点查询与维护。触发方式:学了/学习了/知识点/记录一下/知识:/K:/学到了/第N条/展开/查一下/搜索/开启专项/进度/大纲等。适用于备考/持续学习场景。

ClawHub Agent Skills автор: Elle-yu v1.0.0 MIT-0 4 файла тело ≈ 4 801 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Система управления знаниями для обучения.

Как процесс D 47/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторDockerИнфраструктураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
65
Прогон на моделях
не было
Процессный рейтинг
D
47/100
Процесс не доведён
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

  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: 4. 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 47/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 13, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 4801 токенов
  • 100Шаги. Шагов: 220
  • 100Согласованность. Имя и обязательные поля на месте

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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -5В тексте остались TODO / заглушки
  • -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
  • -213 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 140 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 56 заголовков
  • +3Пошаговые инструкции: 220 пунктов
  • +4Есть примеры (40 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.

Внешние проверки

ClawHub: suspicious
This learning-review skill is mostly coherent, but it has broad automatic triggers, persistent note storage, automatic image OCR through shell commands, and some unsolicited/network behavior that users should review before installing.
LLM: suspicious (high) · 30 июл. 2026 г.