SKILLEMALL.ai

AC aha-skills-finder

Используйте, когда агенту нужно найти кандидатов на навыки/возможности, которые, скорее всего, будут упущены при первом поиске по реестру, пакету или поисковым запросам. Охватывает навыки, MCP, CLI, плагины, реестры, расширения, SaaS/маршруты поставщиков, инструменты репозиториев и возможности нативной среды выполнения. Предоставляет несколько отслеживаемых кандидатов и необработанные сигналы; не ранжирует по степени внедрения, безопасности аудита, установке, включению или выполнению живых/внешних действий.

машинный переводПоказать оригиналСкрыть оригинал«Use when an agent needs to surface skill/capability candidates that fi…»

Use when an agent needs to surface skill/capability candidates that first-pass registry, package, or search queries would likely miss. Covers skills, MCPs, CLIs, plugins, registries, extensions, SaaS/provider routes, repo tools, and native runtime capabilities. Produces multiple traceable candidates and raw signals; does not rank for adoption, audit safety, install, enable, or perform live/external actions.

ClawHub Agent Skills автор: its-How v1.0.0 MIT-0 6 файлов тело ≈ 4 012 токенов Открыть источникclawhub.ai проанализирован 20 ч назад

Охватывает навыки, MCP, CLI, плагины, реестры, расширения, SaaS/маршруты поставщиков, инструменты репозиториев и возможности нативной среды выполнения.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки, повторный запуск

АнализаторGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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: 6. 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 53/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 12, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 70Стоимость исполнения. Тело инструкции 4012 токенов
    • 100Шаги. Шагов: 83
    • 100Согласованность. Имя и обязательные поля на месте
    • high Скилл велит модели самой совершать необратимое действие, без подтверждения человеком

    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
    • +2Инструкции на одном языке
    • +3Длина description 410 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 13 заголовков
    • +3Пошаговые инструкции: 83 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

    Внешние проверки

    ClawHub: clean
    The available evidence points to a coherent research/discovery-oriented skill with no malware detections or artifact-backed signs of hidden, destructive, or credential-stealing behavior.
    LLM: benign (medium) · VirusTotal: · 24 июн. 2026 г.