SKILLEMALL.ai

AF github-analyzer

Инструмент анализа проектов GitHub — идентификация технологического стека, оценка соответствия лицензий, рекомендации по развертыванию. Анализирует репозитории GitHub на предмет технологического стека, соответствия лицензий и вариантов развертывания. Назначение: проверка соответствия коммерческому использованию, исследование выбора технологий, проверка зависимостей с открытым исходным кодом.

машинный переводПоказать оригиналСкрыть оригинал«GitHub 项目分析工具 - 技术栈识别、许可证合规评估、部署方案建议。Analyze GitHub repos for tech sta…»

GitHub 项目分析工具 - 技术栈识别、许可证合规评估、部署方案建议。Analyze GitHub repos for tech stack, license compliance, and deployment options. 用途:商业使用合规检查、技术选型调研、开源依赖尽调。

ClawHub Agent Skills автор: hkysj v1.0.3 MIT-0 4 файла · 1 скрипт тело ≈ 719 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Инструмент анализа проектов GitHub — идентификация технологического стека, оценка соответствия лицензий, рекомендации по развертыванию.

Как процесс F 31/100 · Не запустится — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторGitHubИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
F
31/100
Не запустится
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: 4. 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 31/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (github-analyzer) не совпадает с папкой (hkysj-github-analyzer)
  • 50Шаги. Шагов: 2
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Стоимость исполнения. Тело инструкции 719 токенов

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
  • -236 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 144 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 8 заголовков
  • +4Есть примеры (2 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

Внешние проверки

ClawHub: clean
This GitHub repository analyzer is coherent with its stated purpose and shows no artifact-backed suspicious behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.