SKILLEMALL.ai

AD git-repo-reader

Структурированная методология для помощи в чтении и быстром понимании структуры и основной ценности проектов GitHub/Git. Используется, когда пользователь запрашивает «проанализируй этот проект GitHub», «помоги мне прочитать этот репозиторий», «пойми, чем занимается этот проект», «как использовать этот проект», «как запустить этот проект», «какие технологии использует этот проект» или любые задачи, связанные с чтением, пониманием, технической оценкой, быстрым освоением репозиториев GitHub/Git. Применимо для: исследования открытых проектов, оценки выбора технологий, подготовки к обзору кода, изучения отличных проектов, понимания проекта перед внесением вклада.

машинный переводПоказать оригиналСкрыть оригинал«辅助阅读和快速理解 GitHub/Git 项目结构与核心价值的结构化方法论。 当用户请求"分析这个 GitHub 项目"、"帮我读一下这个…»

辅助阅读和快速理解 GitHub/Git 项目结构与核心价值的结构化方法论。 当用户请求"分析这个 GitHub 项目"、"帮我读一下这个 repo"、"了解这个项目是做什么的"、 "怎么用这个项目"、"怎么跑这个项目"、"这个项目用了哪些技术",或任何涉及 GitHub/Git 仓库阅读、理解、技术评估、快速上手的任务时触发使用。 适用于:开源项目调研、技术选型评估、代码审查准备、学习优秀项目、贡献前了解项目。

ClawHub Agent Skills автор: laojun v1.0.0 MIT-0 3 файла тело ≈ 897 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Структурированная методология для помощи в чтении и быстром понимании структуры и основной ценности проектов GitHub/Git.

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураGitHubDockerРазработкаТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
D
43/100
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

  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: 3. 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 43/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (python, node), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 36
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 897 токенов

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 6 примера фраз-триггеров в кавычках
  • +3Длина description 208 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 36 пунктов
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

Внешние проверки

ClawHub: clean
The skill's code and instructions match its stated purpose (automated reading/analysis of GitHub or local repos); nothing obvious is requesting unrelated credentials or contacting unexpected endpoints, though there are a few minor implementation details worth checking before use.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.