SKILLEMALL.ai

BC cttc-auto-learn

Скрипт автоматического обучения для Китайской академии табачной сети (mooc.ctt.cn), поддерживает четыре режима: накопление часов обучения, накопление тем, накопление курсов, накопление заданий. Когда пользователь говорит «помоги мне накопить часы обучения», он автоматически выполняет весь процесс входа в систему, воспроизведения видео и накопления часов обучения. Триггерные слова: табак, сетевая академия, mooc, cttc, автоматическое обучение, часы обучения.

машинный переводПоказать оригиналСкрыть оригинал«烟草网络学院 (mooc.ctt.cn) 自动学习脚本,支持刷学时、刷专题、刷课程、刷任务四种模式。 用户说"帮我刷学时"即可自动完成登录、…»

烟草网络学院 (mooc.ctt.cn) 自动学习脚本,支持刷学时、刷专题、刷课程、刷任务四种模式。 用户说"帮我刷学时"即可自动完成登录、播放视频、累计学时全流程。 触发词:烟草、网络学院、mooc、cttc、自动学习、学时。

ClawHub Agent Skills автор: gandli v1.0.0 MIT-0 2 файла тело ≈ 999 токенов Открыть источникclawhub.ai проанализирован 32 ч назад

Скрипт автоматического обучения для Китайской академии табачной сети (mooc.ctt.cn), поддерживает четыре режима: накопление часов обучения, накопление тем…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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: 2. 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 53/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 29
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 999 токенов
  • 100Повторный запуск. Изменяющих операций нет

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)
  • +3Длина description 114: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +4Структура: 17 заголовков
  • +3Пошаговые инструкции: 29 пунктов
  • +4Есть примеры (12 блоков кода)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
This skill is coherent browser automation, but it pulls unpinned external code, stores reusable login state, and includes broad cleanup actions, so it should be reviewed before use.
LLM: suspicious (high) · VirusTotal: · 18 июн. 2026 г.