AD anomaly-detection
Выполняет обнаружение аномалий для метрик, определяя, отклоняются ли текущие данные от нормального диапазона, и выводит структурированный отчет об обнаружении аномалий. Этот навык должен использоваться, когда пользователь хочет проверить метрики на аномалии, выполнить проверку состояния или провести пакетное сканирование на аномалии для набора метрик. Сценарии триггеров включают, но не ограничиваются: пользователь упоминает "обнаружение аномалий" "есть ли аномалии" "нормально ли это" "проверка состояния" "инспекция" "нормальны ли колебания" "есть ли проблемы с данными" "помоги мне проверить, есть ли проблемы" "проверить XX" "какие метрики аномальны" "сканирование аномалий" "отклонение" "превышение порога" "необычный рост" "состояние запасов" "аномальные продажи" "есть ли проблемы" "есть ли риск" "нормальны ли эти данные", или когда пользователь выражает сомнение в нормальности определенных данных, следует использовать этот навык. **Ключевой фактор триггера**: намерение пользователя заключается в **оценке хорошего/плохого/нормального состояния**, а не просто в запросе значения. Способ различения: - "Сколько было продаж в прошлом месяце" → metric-query (запрос значения, без оценки) - "Нормальны ли продажи в прошлом месяце" → anomaly-detection (требуется оценка на аномальность) - "Посмотри на ситуацию с запасами" → если в контексте есть смысл "есть ли проблемы" → anomaly-detection; если просто хочется увидеть данные → metric-query **Различие с соседними навыками**: - metric-query отвечает за "запрос данных" — получение исходных значений - anomaly-detection (этот навык) отвечает за "обнаружение проблем" — оценку аномальности данных - metric-attribution отвечает за "объяснение проблем" — определение причины аномалии Этот навык находится между запросом и атрибуцией. Если обнаружена аномалия, можно рекомендовать пользователю использовать metric-attribution для дальнейшей атрибуции. **Важно: все запросы данных для этого навыка выполняются через навык metric-query**, без прямого вызова Gateway API. После получения данных оценка аномалий выполняется локально.
машинный переводПоказать оригиналСкрыть оригинал«对指标进行异常检测，判断当前数据是否偏离正常范围，输出结构化的异常检测报告。当用户希望检查指标是否异常、做健康巡检、或对一组指标做批量异常扫…»
对指标进行异常检测，判断当前数据是否偏离正常范围，输出结构化的异常检测报告。当用户希望检查指标是否异常、做健康巡检、或对一组指标做批量异常扫描时，必须使用此 Skill。 触发场景包括但不限于：用户提到"异常检测""有没有异常""是否正常""健康检查""巡检""波动是否正常""数据是不是有问题""帮我看看有没有问题""检查一下XX""哪些指标异常""异常扫描""偏离""超出阈值""涨得不正常""库存健康""销售异常""是不是出问题了""有没有风险""这个数据正常吗"，或用户对某些数据是否处于正常状态表达了疑问时，都应使用此 Skill。 **触发判定关键**：用户的意图是**判断好坏/正常与否**，而非单纯查数值。区分方式： - "上月销售额多少" → metric-query（查数值，不涉及判断） - "上月销售额正常吗" → anomaly-detection（需要判断是否异常） - "帮我看看库存情况" → 如果语境含"有没有问题"的意味 → anomaly-detection；如果只是想看数据 → metric-query **与相邻 Skill 的区分**： - metric-query 负责"查数据"——拿到原始数值 - anomaly-detection（本 Skill）负责"发现问题"——判断数据是否异常 - metric-attribution 负责"解释问题"——定位异常的原因 本 Skill 处于查询和归因之间。如果检测到异常，可以建议用户使用 metric-attribution 做进一步归因。 **重要：本 Skill 的所有数据查询均**委派 metric-query Skill 执行**，不直接调用 Gateway API。获取数据后在本地进行异常判定。**
Выполняет обнаружение аномалий для метрик, определяя, отклоняются ли текущие данные от нормального диапазона, и выводит структурированный отчет об обнаружении…
Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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 · 0
✓ Критических и высоких находок нет
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")
Процессный рейтинг: все десять параметров 41/100
- 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
- 40Согласованность. Имя во frontmatter (anomaly-detection) не совпадает с папкой (aloudata-anomaly-detection)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 26
- 100Стоимость исполнения. Тело инструкции 2663 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- -213 эмодзи в инструкциях: шум для модели
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 10 примера фраз-триггеров в кавычках
- +3Длина description 756 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 30 заголовков
- +3Пошаговые инструкции: 26 пунктов
- +4Есть примеры (15 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.