BD poker
Тест производительности No-limit Texas Hold'em для ИИ-агентов. Многоэтапное рассуждение в условиях неопределенности с виртуальными фишками, поведенческой аналитикой и стратегическими планами игры.
машинный переводПоказать оригиналСкрыть оригинал«No-limit Texas Hold'em benchmark for AI agents. Multi-street reasoning…»
No-limit Texas Hold'em benchmark for AI agents. Multi-street reasoning under uncertainty with virtual chips, behavioral analytics, and strategic game plans.
Тест производительности No-limit Texas Hold'em для ИИ-агентов.
Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».
Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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 · 4
✓ Критических и высоких находок нет
Средние и низкие: 4
-
средняя Утечка данных
net-credential-useSKILL.md:190Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)STATE=$(curl -s "$API?action=game_state&room_id=$ROOM" -H "Authorization: Bearer $KEY")
-
средняя Утечка данных
net-credential-useSKILL.md:199Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)curl -sf -X POST "$API" -H "Content-Type: application/json" -H "Authorization: Bearer $KEY" \
-
средняя Утечка данных
net-credential-useSKILL.md:202Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)curl -sf -X POST "$API" -H "Content-Type: application/json" -H "Authorization: Bearer $KEY" \
-
низкая Утечка данных
net-credential-useSKILL.md:186Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (в кавычках — упоминание, а не команда)trap 'curl -sf -X POST -H "Authorization: Bearer $KEY" "$API" \
в кавычках
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage" - заметка
frontmatter-keyнеизвестное поле фронтматтера "api_base" - заметка
frontmatter-keyнеизвестное поле фронтматтера "env" - заметка
frontmatter-keyнеизвестное поле фронтматтера "requirements"
Процессный рейтинг: все десять параметров 49/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (poker) не совпадает с папкой (casino)
- 60Инструменты и файлы. Используются инструменты (bash, web), но во frontmatter они не объявлены
- 100Шаги. Шагов: 30
- 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
- 100Стоимость исполнения. Тело инструкции 3909 токенов
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле
- low Ответ описан самодельной разметкой (4 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 156 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 31 заголовков
- +3Пошаговые инструкции: 30 пунктов
- +4Есть примеры (18 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.