SKILLEMALL.ai

AC tallow-candle-making-basics

Используйте, когда коммерческие свечи, лампы или освещение становятся ненадежными, дорогими или недоступными, и вам нужны долго горящие, без запаха, нетоксичные источники света, изготовленные из местного животного жира и найденных фитилей. Агент рассчитывает точные соотношения жира и фитиля, температуры плавления, прогнозы времени горения и безопасные разбавления; отслеживает сроки охлаждения и отверждения с автоматическими напоминаниями; генерирует чертежи форм, инвентарные трекеры и шаблоны бартера. Человек выполняет все физические шаги — вытапливание, плавление, пропитку фитиля, заливку и обрезку — восстанавливая тактильную самодостаточность в автономном освещении.

машинный переводПоказать оригиналСкрыть оригинал«Use when commercial candles, lamps, or lighting become unreliable, exp…»

Use when commercial candles, lamps, or lighting become unreliable, expensive, or unavailable and you need long-burning, odor-controlled, non-toxic light sources made from local animal fat and scavenged wicks. Agent calculates exact fat-to-wick ratios, melting points, burn-time predictions, and safety dilutions; tracks cooling and curing timelines with automated reminders; generates mold blueprints, inventory trackers, and barter templates. Human performs every physical step — rendering, melting, wick priming, pouring, and trimming — rebuilding tactile self-reliance in off-grid illumination.

ClawHub Agent Skills автор: HowToUseHumans v1.0.0 MIT-0 2 файла тело ≈ 1 885 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте, когда коммерческие свечи, лампы или освещение становятся ненадежными, дорогими или недоступными, и вам нужны долго горящие, без запаха…

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ГенераторИнфраструктураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
59/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 59/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 55Ошибки и развилки. Развилок: 1
    • 85Шаги. Шагов: 53, расплывчатых формулировок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1885 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 597 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 53 пунктов
    • +4Есть примеры (3 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    This is a disclosed candle-making guide with ordinary physical safety risks from hot fat and flame, but no hidden code, credential access, or suspicious agent authority.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.