SKILLEMALL.ai
GitHub ↗ EN Войти

AD litmus

Параллельные автономные агенты для ML-исследований с Директором, рабочими областями Git для экспериментальных веток каждого агента, библиотекой навыков для повторного использования проверенных методов, Синтезатором, который обобщает коллективные знания за ночь, и циркадным ритмом (отдых с 03:00 до 06:00 для чтения статей и творческого мышления). Использует OpenClaw sessions_spawn, cron и steer нативно. Используйте, когда: (1) запускаете или управляете ML-агентами в течение ночи, (2) проверяете статус агентов или результаты экспериментов, (3) просматриваете таблицу лидеров или утренний дайджест, (4) управляете или останавливаете агентов, (5) спрашиваете, что обнаружили или исследуют агенты, (6) настраиваете Litmus впервые. НЕ использовать для: общего кодирования, не-ML задач или машин без GPU.

машинный переводПоказать оригиналСкрыть оригинал«Parallel autonomous ML research agents with a Director, git worktrees…»

Parallel autonomous ML research agents with a Director, git worktrees for per-agent experiment branches, a Skills library for validated technique reuse, a Synthesizer that distills collective knowledge overnight, and circadian rhythm (leisure 03:00–06:00 for paper reading and creative thinking). Uses OpenClaw sessions_spawn, cron, and steer natively. Use when: (1) start or run ML research agents overnight, (2) check agent status or experiment results, (3) view leaderboard or morning digest, (4) steer or stop agents, (5) ask what agents discovered or are exploring, (6) set up Litmus for the first time. NOT for: general coding, non-ML tasks, or machines without a GPU.

ClawHub Agent Skills автор: Kuber Mehta v1.1.1 MIT-0 24 файла · 6 скриптов тело ≈ 1 724 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Параллельные автономные агенты для ML-исследований с Директором, рабочими областями Git для экспериментальных веток каждого агента, библиотекой навыков для…

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторИИ 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
96/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
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

    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 · 3

    ✓ Критических и высоких находок нет

    Средние и низкие: 3
    • низкая Опасные команды cmd-pipe-to-shell-known-host INSTALL.md:22
      Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (в кавычках — упоминание, а не команда)
      - **`uv`**: Python package manager — `curl -LsSf https://astral.sh/uv/install.sh | sh`
      в кавычках
    • низкая Опасные команды cmd-pipe-to-shell-known-host README.md:194
      Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (в кавычках — упоминание, а не команда)
      - **`uv`**: `curl -LsSf https://astral.sh/uv/install.sh | sh`
      в кавычках
    • низкая Опасные команды cmd-pipe-to-shell-known-host references/onboarding.md:35
      Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (определение детектора / чёрного списка)
      `curl -LsSf https://astral.sh/uv/install.sh | sh`
      детектор

    Просканировано файлов: 24. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "homepage"
    • заметка frontmatter-key неизвестное поле фронтматтера "source"

    Процессный рейтинг: все десять параметров 49/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 18
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1724 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 674 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 18 пунктов
    • +4Есть примеры (12 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (8 из 8)
    • +3Все 5 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.

    Внешние проверки

    ClawHub: suspicious
    Litmus appears purpose-built for autonomous ML research, but it needs Review because it creates persistent scheduled agents with broad tool authority and optional external publishing.
    LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.