SKILLEMALL.ai

AD ai-coding-exception-control

Каркас управления обработкой исключений при кодировании ИИ. Активируется, когда пользователь просит «написать функцию», «реализовать интерфейс», «разработать модуль», «написать код», «кодировать», «анализ требований», «проектирование», «тестирование», «ревью кода», «рефакторинг». Через семиуровневый механизм защиты (глубокое исследование → руководство по требованиям → руководство по проектированию → спецификация → архитектура → подсказка → тестирование → ревью → замкнутый цикл ошибок) принудительно заставляет ИИ полностью продумывать пути исключений с этапа исследования, исключая проблему «прохождение только по прямому пути, упрощенная обработка исключений». Включает руководство по глубокому исследованию, SOP по проектированию требований с руководством, метод исчерпывающего перебора сценариев отказа по трем измерениям, шестиуровневый фреймворк автоматизированного тестирования, замкнутый цикл накопления ошибок и постоянного улучшения, передачу ревью Audit-Ledger, 12 наборов готовых к повторному использованию шаблонов. Применим к проектам ИИ-ассистированной разработки на любом языке/фреймворке/платформе.

машинный переводПоказать оригиналСкрыть оригинал«AI编码异常处理控制框架。当用户要求"编写功能"、"实现接口"、"开发模块"、 "写代码"、"编码"、"需求分析"、"设计"、"测试"、"代…»

AI编码异常处理控制框架。当用户要求"编写功能"、"实现接口"、"开发模块"、 "写代码"、"编码"、"需求分析"、"设计"、"测试"、"代码审查"、"重构"时触发。 通过七层防御机制(深度调研→需求引导→设计引导→规格书→架构→提示词→测试→审查→弯路闭环), 从调研阶段开始强制AI完整思考异常路径,杜绝"只走正向流程、异常处理简化"的问题。 包含深度调研引导、引导式需求设计SOP、三维度失败场景穷举法、六层自动化测试框架、 弯路沉淀与持续改进闭环、Audit-Ledger审查交接、可直接复用的12套模板。 适用于任何语言/框架/平台的AI辅助开发项目。

ClawHub Agent Skills автор: llimage v1.7.0 MIT-0 14 файлов тело ≈ 2 782 токенов Открыть источникclawhub.ai проанализирован 36 ч назад

Каркас управления обработкой исключений при кодировании ИИ.

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
D
48/100
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: 14. 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 "agent_created"

Процессный рейтинг: все десять параметров 48/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 54
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2782 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • 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
  • +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 281 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 54 пунктов
  • +4Есть примеры (8 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (8 из 10)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: suspicious
This skill is a disclosed coding-quality workflow, but it can activate very broadly and directs agents to use network research, persistent project memory, review ledgers, and a potentially disruptive chaos-test script without enough scoping or user control.
LLM: suspicious (high) · VirusTotal: · 12 июл. 2026 г.