AC second-brain-growth
Оценивает скорость эффективного роста знаний пользователя в его "втором мозге"/第二大脑 и состояние "второго мозга", с настройками Hbrain по умолчанию плюс интерактивное использование Codex, отчетность Hermes cron/reporting и совместимость с передачей управления между агентами OpenClaw. Используйте, когда пользователь спрашивает о скорости роста знаний (知识增长速度), росте второго мозга (第二大脑增长), росте Hbrain (Hbrain growth), накоплении знаний (knowledge compounding), скорости запоминания (recall rate), плотности связей (connection density), скорости трансформации (transformation rate), еженедельных/ежемесячных отчетах о состоянии второго мозга (weekly/monthly second-brain scorecards), автоматизации второго мозга OpenClaw/Hermes (OpenClaw/Hermes second-brain automation) или о том, становятся ли заметки полезными для принятия человеческих решений/действий/выводов (usable 人脑 judgment/action/output), а не просто накапливаются как файлы.
машинный переводПоказать оригиналСкрыть оригинал«Evaluate the user's second-brain/第二大脑 effective knowledge growth speed…»
Evaluate the user's second-brain/第二大脑 effective knowledge growth speed and second-brain health, with Hbrain defaults plus Codex interactive use, Hermes cron/reporting, and OpenClaw multi-agent handoff compatibility. Use when the user asks about 知识增长速度, 第二大脑增长, Hbrain growth, knowledge compounding, recall rate, connection density, transformation rate, weekly/monthly second-brain scorecards, OpenClaw/Hermes second-brain automation, or whether notes are becoming usable 人脑 judgment/action/output rather than merely accumulating files.
Оценивает скорость эффективного роста знаний пользователя в его "втором мозге"/第二大脑 и состояние "второго мозга", с настройками Hbrain по умолчанию плюс…
Как процесс C 60/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия
Как улучшить
- 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: 0. 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 60/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 55Ошибки и развилки. Развилок: 1
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 76
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2520 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- 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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 535 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 76 пунктов
- +4Есть примеры (9 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.