SKILLEMALL.ai

AC job-analysis-design

В диалоге помогает изучить Главу 7 «Приложения HR» в «Анализе Работы/Job Analysis»: описание работы, управление и оценка производительности, оценка работы для компенсации, дизайн/реорганизация работы. На основе c7.pdf. Используйте, когда пользователь обсуждает описание должности, шкалы оценки производительности, управление производительностью, оценку должности для компенсации, компенсируемые факторы, метод баллов и факторов, редизайн работы, распределение задач, разделение труда человека и машины, удобства для людей с ограниченными возможностями или «как анализ работы служит целям HR». Используйте постепенное раскрытие информации, читая детали из references/ по мере необходимости.

машинный переводПоказать оригиналСкрыть оригинал«在对话中辅助学习"工作分析/Job Analysis"第 7 章 HR 应用:job description、performance man…»

在对话中辅助学习"工作分析/Job Analysis"第 7 章 HR 应用:job description、performance management and appraisal、job evaluation for compensation、job design/redesign。基于 c7.pdf。当用户讨论岗位说明书、绩效评估量表、绩效管理、薪酬岗位评价、compensable factors、point-factor method、工作再设计、任务分配、人机分工、残障便利或"工作分析如何服务 HR 目的"时使用。使用渐进式披露,按需读取 references/ 下的细节。

ClawHub Agent Skills автор: John Do v1.0.0 MIT-0 8 файлов тело ≈ 1 186 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

В диалоге помогает изучить Главу 7 «Приложения HR» в «Анализе Работы/Job Analysis»: описание работы, управление и оценка производительности, оценка работы для…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторЛюди и наймИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 37
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1186 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 2 примера фраз-триггеров в кавычках
  • +3Длина description 295 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 37 пунктов
  • +4Справочные файлы упоминаются в инструкциях (6 из 6)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
This is a markdown-only Chinese study helper for job analysis, with no evidence of unsafe behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.