SKILLEMALL.ai

BC huawei-cloud-cloudrobo-train

Управление задачами обучения моделей CloudRobo и задачами обучения с подкреплением в симуляции (SimRL) — создание задач предварительного обучения (TRAIN_FROM_SCRATCH) и дообучения (MODEL_TUNING) методами FFT/SFT/LORA/QLORA/DEEPSPEED; управление полным жизненным циклом задач (создание/чтение/обновление/удаление/остановка/перезапуск/возобновление/черновик); сохранение и повторная отправка конфигураций черновиков; подсчет задач по статусу; мониторинг этапов выполнения, использования ресурсов, журналов обучения, подписанных URL-адресов и событий; диагностика сбоев. Задачи SimRL (обучение с подкреплением в симуляции) управляются через тот же CLI с флагом --sim-rl и охватывают ту же поверхность CRUD + жизненный цикл + мониторинг (кроме возобновления, которое доступно только для обучения). Триггеры включают: обучение модели, дообучение, предварительное обучение, задача обучения, этапы обучения, использование ресурсов, журналы обучения, события обучения, задача в черновике, перезапуск обучения, остановка обучения, возобновление обучения, статистика задач, обучение с подкреплением в симуляции, SimRL, 仿真强化学习, 模型训练, 模型微调, 训练任务, 训练阶段, 资源使用, 训练日志, 训练事件, 草稿任务, 重启训练, 克隆训练, 停止训练, 续训训练, 任务统计.

машинный переводПоказать оригиналСкрыть оригинал«Manage CloudRobo model training tasks and simulation reinforcement lea…»

Manage CloudRobo model training tasks and simulation reinforcement learning (SimRL) tasks — create pretrain (TRAIN_FROM_SCRATCH) and finetune (MODEL_TUNING) tasks with FFT/SFT/LORA/QLORA/DEEPSPEED methods; manage the full task lifecycle (create/read/update/delete/stop/restart/resume/draft); save and resubmit draft configs; count tasks by status; monitor execution stages, resource usage, training logs, signed URLs, and events; diagnose failures. SimRL tasks (simulation reinforcement learning) are managed via the same CLI with a --sim-rl flag and cover the same CRUD + lifecycle + monitoring surface (except resume, which is train-only). Triggers include: model training, fine-tuning, pretraining, training task, training stages, resource usage, training logs, training events, draft task, restart training, stop training, resume training, task stats, simulation reinforcement learning, SimRL, 仿真强化学习, 模型训练, 模型微调, 训练任务, 训练阶段, 资源使用, 训练日志, 训练事件, 草稿任务, 重启训练, 克隆训练, 停止训练, 续训训练, 任务统计.

ClawHub Agent Skills автор: huaweicloud-skills-team v1.0.0 MIT-0 12 файлов · 1 скрипт тело ≈ 12 548 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Управление задачами обучения моделей CloudRobo и задачами обучения с подкреплением в симуляции (SimRL) — создание задач предварительного обучения…

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, стоимость исполнения

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Когда включается вес 12
20
Результат и критерий готовности вес 14
40
Стоимость исполнения вес 6
40
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.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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: 12. 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")
  • предупреждение body-long тело SKILL.md ≈ 12548 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 62/100

  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Результат и критерий готовности. Не сказано, что считать результатом
  • 40Стоимость исполнения. Тело инструкции 12548 токенов: вытесняет саму задачу из окна
  • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
  • 60Шаги. Шагов: 174, расплывчатых формулировок: 5
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Ошибки и развилки. Развилок: 10, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 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
  • low Ответ описан самодельной разметкой (27 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 983: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 41 заголовков
  • +3Пошаговые инструкции: 174 пунктов
  • +4Есть примеры (17 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (8 из 8)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: suspicious
The skill is for CloudRobo training management, but it tells agents to perform real cloud changes that can consume resources without final user confirmation.
LLM: suspicious (high) · 9 сент. 2026 г.