SKILLEMALL.ai

BC adaptive-rag-engine

Адаптивный движок RAG — от линейного поиска до автономного когнитивного цикла. Интегрирует предварительный отбор капсул, интеллектуальную маршрутизацию, исправление ошибок CRAG, проверку L3. Активируется, когда требуется поиск по памяти/информации или ответ на сложный вопрос. Ключевые слова: RAG, поиск, поиск по памяти, векторный поиск, Agentic RAG, CRAG.

машинный переводПоказать оригиналСкрыть оригинал«Adaptive RAG 引擎 — 从线性检索到自主认知循环。集成胶囊预筛选、智能路由、CRAG纠错、L3校验。当需要搜索记忆/检索信息/回…»

Adaptive RAG 引擎 — 从线性检索到自主认知循环。集成胶囊预筛选、智能路由、CRAG纠错、L3校验。当需要搜索记忆/检索信息/回答复杂问题时触发。关键词:RAG、检索、记忆搜索、向量检索、Agentic RAG、CRAG。

ClawHub Agent Skills автор: luaqnyin v1.0.0 MIT-0 4 файла тело ≈ 409 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Адаптивный движок RAG — от линейного поиска до автономного когнитивного цикла.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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

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: 4. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 10
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 409 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели

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)
  • +3Длина description 117: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 8 заголовков
  • +3Пошаговые инструкции: 10 пунктов
  • +4Есть примеры (1 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: clean
This is a local memory/RAG helper with disclosed local indexing behavior, but users should understand it can summarize OpenClaw memory notes into a reusable local index.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.