SKILLEMALL.ai

AC knowledge-digest

Преобразует учебники или PDF-файлы в персонализированные, мультимодальные интерактивные учебные материалы, включая рукописные заметки, веб-страницы с викторинами, слайды, аудиокурсы и ментальные карты. Триггер: учебные материалы, конвертировать учебник, учебные заметки, генерация викторин, слайды из PDF, ментальная карта, аудиокурс.

машинный переводПоказать оригиналСкрыть оригинал«Converts textbooks or PDFs into personalized, multimodal interactive l…»

Converts textbooks or PDFs into personalized, multimodal interactive learning materials including handwritten notes, quiz webpages, slides, audio courses, and mind maps. Trigger: learning materials, convert textbook, study notes, quiz generation, slides from PDF, mind map, audio course.

ClawHub Agent Skills автор: ericn26-star v1.0.0 MIT-0 3 файла тело ≈ 6 444 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Преобразует учебники или PDF-файлы в персонализированные, мультимодальные интерактивные учебные материалы, включая рукописные заметки, веб-страницы с…

Как процесс C 63/100 · Есть пробелы — слабые места: согласованность, повторный запуск, отчётность по ходу

ГенераторОбучениетип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Согласованность вес 8
40
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: knowledge-digest (ClawHub)

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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 body-long тело SKILL.md ≈ 6444 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 63/100

  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (knowledge-digest) не совпадает с папкой (eric-knowledge-digest-v2)
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 65Ошибки и развилки. Развилок: 3
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 6444 токенов
  • 100Шаги. Шагов: 205
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 12. 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)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 287 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 33 заголовков
  • +3Пошаговые инструкции: 205 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (5 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
This skill is a coherent study-material generator with no executable install code, hidden persistence, credential access, or destructive behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.