SKILLEMALL.ai
GitHub ↗ EN Войти

BF gugu-gaga

Инструмент для структурированного анализа нормативных актов и руководств в фармацевтической отрасли. Преобразует нормативные документы в формате PDF / DOCX / TXT в структурированный аналитический отчет (сбор элементов, качественная оценка, ключевое содержание, график жизненного цикла, светофорные индикаторы), выводящийся в формате обучающего PPTX или учебного PDF. Ключевые слова для активации: анализ нормативных актов, интерпретация руководств, оценка нормативных актов, интерпретация нормативных актов.

машинный переводПоказать оригиналСкрыть оригинал«制药法规&指南结构化分析工具。将 PDF / DOCX / TXT 法规文件转换为结构化分析报告（元素采集、定性、重点内容、生命周期图、红黄…»

制药法规&指南结构化分析工具。将 PDF / DOCX / TXT 法规文件转换为结构化分析报告（元素采集、定性、重点内容、生命周期图、红黄绿蓝灯），输出为培训 PPTX 或学习 PDF。触发关键词：法规分析、指南解读、法规评估、法规解读。

ClawHub Agent Skills автор: Gxpcode-hezhong v0.1.1 MIT-0 80 файлов тело ≈ 371 токенов Открыть источникclawhub.ai↗ проанализирован 35 ч назад

Инструмент для структурированного анализа нормативных актов и руководств в фармацевтической отрасли.

Как процесс F 34/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

СправочникWordPowerPointИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
Прогон на моделях
не было
Процессный рейтинг
F
34/100
Не запустится
Шаги вес 15
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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: 1. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

Процессный рейтинг: все десять параметров 34/100

  • 0Шаги. Инструкция сплошным текстом, шаги не выделены
  • 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
  • 40Согласованность. Имя во frontmatter (gugu-gaga) не совпадает с папкой (regulatory-guidance-analysis-tool)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Стоимость исполнения. Тело инструкции 371 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)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 120 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 5 заголовков
  • +4Есть примеры (2 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.

Внешние проверки

ClawHub: suspicious
The skill’s main document-analysis workflow is coherent, but it needs review because some packaged output assets and converter code allow broader network or third-party processing than the user-facing scope clearly explains.
LLM: suspicious (medium) · 28 июн. 2026 г.