SKILLEMALL.ai

AD merge-deploy-verify-loop

Навык, который реализует полный цикл выпуска: «локальные изменения → выборочный коммит → push → слияние в целевую ветку → сборка и развертывание CI → перезапуск рабочей нагрузки → сквозная функциональная/базовая проверка → при сбое — патч и повторный цикл». Используйте, когда намерение пользователя включает триггерные контексты, такие как «зафиксировать и отправить / слить в develop или feature/* / развернуть в DEV/STG с помощью Jenkins/CI / автоматически тестировать после перезапуска pod / пройти полный цикл выпуска / после исправления предыдущего шага пройти все заново»; также охватывает следующий итерационный цикл «тест не пройден → определение → зафиксировать только текущее исправление → повторно развернуть для проверки». Отделен от конкретных проектов/имен веток/реализаций MCP, при описании шагов даются только рекомендации по общему использованию MCP (GitLab / Jenkins / Kubernetes / Postgres / Fetch).

машинный переводПоказать оригиналСкрыть оригинал«将"本地改动 → 选择性提交 → push → 合并到目标分支 → CI 构建部署 → 重启工作负载 → 端到端功能/数据库验证 → 失败则…»

将"本地改动 → 选择性提交 → push → 合并到目标分支 → CI 构建部署 → 重启工作负载 → 端到端功能/数据库验证 → 失败则补丁再循环"这一段发布闭环按通用 SOP 跑通的技能。 当用户的意图包含"提交并推送 / 合并到 develop 或 feature/* / 用 Jenkins/CI 部署到 DEV/STG / 重启 pod 后自动测试 / 跑通发布闭环 / 改完上一道再走一遍" 等触发语境时使用; 同样覆盖"测试不过 → 定位 → 仅提交本次修复 → 再次部署验证"的下一轮迭代。 与具体项目/分支名/MCP 实现解耦,仅在描述步骤时给出常见 MCP(GitLab / Jenkins / Kubernetes / Postgres / Fetch)的推荐用法。

ClawHub Agent Skills автор: hgvgfgvh v1.0.0 MIT-0 2 файла тело ≈ 1 303 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Навык, который реализует полный цикл выпуска: «локальные изменения → выборочный коммит → push → слияние в целевую ветку → сборка и развертывание CI →…

Как процесс D 45/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторKubernetesGitLabPostgreSQLИнфраструктураИИ и агентытип 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
D
45/100
Процесс не доведён
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 45/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 22, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (bash, web, git), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 58
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1303 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Ответ описан самодельной разметкой (5 тегов): типизированный вызов надёжнее

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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 2 примера фраз-триггеров в кавычках
  • +3Длина description 345 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 58 пунктов
  • +4Есть примеры (2 блоков кода)

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

Внешние проверки

ClawHub: clean
This is an instruction-only deployment checklist that can guide powerful release actions, but those actions are disclosed, purpose-aligned, and include practical safety checks.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.