SKILLEMALL.ai
GitHub ↗ EN Войти

AC ai-integration

Используйте при создании функций на базе ИИ с помощью Claude API или Anthropic SDK — структурированные выводы, вызовы инструментов, потоковая передача, маршрутизация между несколькими поставщиками, оркестрация нескольких агентов, оценка LLM, инженерия подсказок, память агента, RAG-конвейеры и производственное развертывание. Охватывает шаблоны для одного агента, нескольких агентов и циклов агентов для стеков Next.js, Python и TypeScript.

машинный переводПоказать оригиналСкрыть оригинал«Use when building AI-powered features with the Claude API or Anthropic…»

Use when building AI-powered features with the Claude API or Anthropic SDK — structured outputs, tool calling, streaming, multi-provider routing, multi-agent orchestration, LLM evaluation, prompt engineering, agent memory, RAG pipelines, and production deployment. Covers single-agent, multi-agent, and agentic loop patterns for Next.js, Python, and TypeScript stacks.

ClawHub Agent Skills автор: Jimmy974 v1.0.0 MIT-0 2 файла тело ≈ 3 799 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Используйте при создании функций на базе ИИ с помощью Claude API или Anthropic SDK — структурированные выводы, вызовы инструментов, потоковая передача…

Как процесс C 60/100 · Есть пробелы — слабые места: входы и предусловия, повторный запуск, отчётность по ходу

ИнтеграцияИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
C
60/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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 60/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Шаги. Шагов: 17
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 3799 токенов
    • low Разделов верхнего уровня: 13. 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 368 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 30 заголовков
    • +3Пошаговые инструкции: 17 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (17 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.

    Внешние проверки

    ClawHub: clean
    This is a documentation-only AI integration skill with expected examples for LLM APIs, tools, memory, and RAG, but users should add privacy and access controls before using the examples in production.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.