SKILLEMALL.ai
GitHub ↗ EN Войти

AC systematic-debugging

Отладка с помощью структурированного процесса поиска первопричин вместо догадок. Используйте, когда команды терпят неудачу, инструменты ведут себя неожиданно, автоматизация ломается, интеграции работают только частично или истинная причина неясна.

машинный переводПоказать оригиналСкрыть оригинал«Debug through a structured root-cause process instead of guesswork. Us…»

Debug through a structured root-cause process instead of guesswork. Use when commands fail, tools behave unexpectedly, automations break, integrations only partially work, or the real cause is unclear.

ClawHub Agent Skills автор: jisang1000 v1.0.0 MIT-0 3 файла тело ≈ 491 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Отладка с помощью структурированного процесса поиска первопричин вместо догадок.

Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаИнфраструктуратип 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
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
C
54/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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: 3. 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 54/100

    • 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
    • 40Согласованность. Имя во frontmatter (systematic-debugging) не совпадает с папкой (jisang1000-systematic-debugging)
    • 55Ошибки и развилки. Развилок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 34
    • 100Стоимость исполнения. Тело инструкции 491 токенов
    • 100Повторный запуск. Изменяющих операций нет

    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
    • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 201 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 13 заголовков
    • +3Пошаговые инструкции: 34 пунктов
    • +4Есть примеры (0 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.

    Внешние проверки

    ClawHub: clean
    This is an instruction-only debugging guide with no code or privileged behavior, though one example should be applied only in authorized contexts.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.