SKILLEMALL.ai
GitHub ↗ EN Войти

CC hermes-workflow-engine

Движок рабочих процессов Hermes DAG v3.0 — система оркестровки многошаговых задач, ориентированная на цели. Поддерживает зависимости DAG, параллельное выполнение, отказ от ответственности, мониторинг ресурсов, управление версиями, обнаружение шаблонов, панель визуализации, совместное использование сообществом. Активируется, когда пользователь просит выполнить рабочий процесс, запустить workflow, автоматизировать задачи, выполнить многошаговые задачи, создать рабочий процесс, обнаружить шаблоны, управлять версиями, оркестровать DAG, выполнить параллельно, выполнить отказ от ответственности. Сценарии использования: автоматизация повторяющихся многошаговых задач, длительные процессы, требующие приостановки/возобновления, оркестровка межсервисного взаимодействия.

машинный переводПоказать оригиналСкрыть оригинал«Hermes DAG工作流引擎 v3.0 — 目标驱动的多步骤任务编排系统。 支持DAG依赖、并行执行、故障转移、资源监控、版本管理、模式检…»

Hermes DAG工作流引擎 v3.0 — 目标驱动的多步骤任务编排系统。 支持DAG依赖、并行执行、故障转移、资源监控、版本管理、模式检测、可视化面板、社区共享。 当用户要求执行工作流、运行workflow、自动化任务、多步骤任务、创建工作流、模式检测、 版本管理、DAG编排、并行执行、故障转移时触发。 适用场景：重复性多步骤任务自动化、需要暂停/恢复的长流程、跨工具协作编排。

Не рекомендуетсяесть критические или высокие находки безопасности
ClawHub Agent Skills автор: LGX281227231 v3.1.0 MIT-0 21 файл тело ≈ 3 707 токенов Открыть источникclawhub.ai↗ проанализирован 26 ч назад

Движок рабочих процессов Hermes DAG v3.0 — система оркестровки многошаговых задач, ориентированная на цели. Поддерживает зависимости DAG, параллельное…

Как процесс C 50/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураGitHubРазработкаИнфраструктураДанные и аналитикатип 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
C
67/100
безопасность, качество, тесты
Безопасность 60%
64
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
50/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Чем это грозит

Скилл содержит фрагменты, которые в чужих руках стоят денег или данных. Ниже, что рискует потерять тот, кто установит, и что должен сделать автор.

Утечка данных
Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

Как улучшить

  1. Разберите находки высокой серьёзности: каждая стоит 18 баллов безопасности. Если это ложное срабатывание, добавьте код правила в guard.allow в spec.yaml.
  2. 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 · 2

  • высокая Утечка данных exfil-read-secret-files references/clawhub-publishing.md:74
    Чтение файлов с учётными данными / секретами
    scp ro…@….173.120.234:~/.ssh/id_ed25519 ~/.ssh/id_e…kup
  • высокая Утечка данных exfil-read-secret-files references/cross-server-deployment.md:67
    Чтение файлов с учётными данными / секретами
    scp root@SOURCE_IP:~/.ssh/id_ed25519 ~/.ssh/id_e…kup

Просканировано файлов: 21. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"

Процессный рейтинг: все десять параметров 50/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 77
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3707 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 25. Похоже на несколько доменов в одном скилле

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
  • -31 из 10 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 192 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 41 заголовков
  • +3Пошаговые инструкции: 77 пунктов
  • +4Есть примеры (17 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 5)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: suspicious
This workflow skill is powerful and mostly disclosed, but it needs review because it includes unsafe credential-copy guidance, broad auto-trigger behavior, session-history scanning, and an unsafe community import path.
LLM: suspicious (high) · VirusTotal: · 10 июн. 2026 г.