SKILLEMALL.ai

AC automotive-testcase-generator

Создание стандартизированных тестовых случаев для автомобильной электроники (автомобильная электроника/интеллектуальные сетевые подключения). Активируется, когда пользователь упоминает: автомобильные тесты, автомобильную электронику, ECU, CAN/CAN FD/LIN/FlexRay/автомобильный Ethernet, SOME/IP, диагностику UDS/OBD, DTC, контроллеры домена, интеллектуальные кабины, автомобильные головные устройства IVI, приборные панели, T-BOX, ADAS/интеллектуальное вождение, HIL-тестирование, функциональную безопасность ISO 26262, ASPICE, CANoe/CAPL, OTA, тестирование автомобильного ПО, тестирование автомобильных функций и т. д. Входные данные: документ с требованиями (Markdown/PDF/Word/Excel) или описание требований. Выходные данные: структурированный файл Excel с тестовыми случаями, сгруппированными по автомобильным модулям, с цветовым кодированием приоритетов и строками разделения модулей. Неприменимо для: робототехники/промышленности/визуализации (используйте соответствующие навыки), генерации скриптов автоматизированного тестирования, выполнения тестов.

машинный переводПоказать оригиналСкрыть оригинал«面向车载(汽车电子/智能网联)领域的标准化测试用例生成技能。 当用户提到以下内容时触发:车载测试、汽车电子、ECU、CAN/CAN FD/L…»

面向车载(汽车电子/智能网联)领域的标准化测试用例生成技能。 当用户提到以下内容时触发:车载测试、汽车电子、ECU、CAN/CAN FD/LIN/FlexRay/ 车载以太网、SOME/IP、UDS/OBD 诊断、DTC、域控制器、智能座舱、IVI 车机、仪表、 T-BOX、ADAS/智能驾驶、HIL 测试、功能安全 ISO 26262、ASPICE、CANoe/CAPL、OTA、 车载软件测试、汽车功能测试等需求的测试用例生成。 输入需求文档(Markdown/PDF/Word/Excel)或需求描述,输出按车载模块分组的、 带优先级着色与模块分隔行的结构化 Excel 测试用例文件。 不适用于:机器人/工业/视觉领域(请使用对应领域技能)、自动化测试脚本生成、测试执行。

ClawHub Agent Skills автор: kokxi v1.1.0 MIT-0 6 файлов тело ≈ 2 892 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Создание стандартизированных тестовых случаев для автомобильной электроники (автомобильная электроника/интеллектуальные сетевые подключения).

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

ГенераторExcelДанные и аналитикаИнфраструктуратип 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: 6. 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: 62
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2892 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
  • +2Инструкции на одном языке
  • +3Длина description 341 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 33 заголовков
  • +3Пошаговые инструкции: 62 пунктов
  • +4Есть примеры (4 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: clean
This is a content-only automotive test-case generation skill whose file reading and Excel output are disclosed and aligned with its purpose.
LLM: benign (high) · VirusTotal: · 31 авг. 2026 г.