SKILLEMALL.ai
GitHub ↗ EN Войти

AB lca

Оценка жизненного цикла продукта с помощью ИИ с использованием openLCA. Подключается к openLCA через IPC, чтобы помочь неспециалистам создавать продуктовые системы, проводить оценки воздействия и интерпретировать результаты.

машинный переводПоказать оригиналСкрыть оригинал«AI-guided Life Cycle Assessment using openLCA. Connects to openLCA via…»

AI-guided Life Cycle Assessment using openLCA. Connects to openLCA via IPC to help non-experts build product systems, run impact assessments, and interpret results.

ClawHub Agent Skills автор: Manmeet Singh v0.1.0 MIT-0 4 файла тело ≈ 1 261 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Оценка жизненного цикла продукта с помощью ИИ с использованием openLCA.

Как процесс B 67/100 · Почти готов — слабые места: результат и критерий готовности, согласованность

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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
B
67/100
Почти готов
Результат и критерий готовности вес 14
0
Согласованность вес 8
40
Инструменты и файлы вес 18
60
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 67/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 40Согласованность. Имя во frontmatter (lca) не совпадает с папкой (lca-skill)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 41
  • 100Ошибки и развилки. Развилок: 6, есть раздел про ошибки
  • 100Стоимость исполнения. Тело инструкции 1261 токенов
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Ответ описан самодельной разметкой (6 тегов): типизированный вызов надёжнее

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 164 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 41 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: clean
This skill is a coherent openLCA assistant that uses a local Python bridge for LCA workflows, with ordinary cautions around database changes and dependency installation.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.