SKILLEMALL.ai
GitHub ↗ EN Войти

BC jinshi-knowledge-base

Навык управления базой знаний Jinshi. Отслеживает статус управления проектами в многомерных таблицах DingTalk, автоматически архивирует и создает документ знаний при завершении задачи.

машинный переводПоказать оригиналСкрыть оригинал«金石知识库管理技能。监控钉钉多维表格中的项目管理事项状态，当事项状态为已完成时自动归档并生成知识文档。…»

金石知识库管理技能。监控钉钉多维表格中的项目管理事项状态，当事项状态为已完成时自动归档并生成知识文档。

ClawHub Agent Skills автор: maxs13278 v1.0.0 MIT-0 8 файлов тело ≈ 169 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Навык управления базой знаний Jinshi.

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

СправочникИнфраструктуратип 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
B
84/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
65
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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Секреты в коде secret-high-entropy-token archive_checker.py:13
    Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка)
    BASE_ID = "QOG9…Mw4"
    детектор
  • низкая Секреты в коде secret-high-entropy-token archived-items.json:8
    Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка)
    "baseId": "QOG9…Mw4",
    детектор
  • низкая Секреты в коде secret-high-entropy-token SKILL.md:43
    Строка, похожая на токен (может быть id, хеш или секрет)
    - **Base ID**: QOG9…Mw4

Просканировано файлов: 8. 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: 13
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 169 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)
  • +3Длина description 51: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 13 пунктов
  • +4Есть примеры (3 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.

Внешние проверки

ClawHub: suspicious
This skill appears purpose-built for DingTalk project archiving, but it should be reviewed because it can automatically read business records and persist generated documents locally with broad triggers and weak containment controls.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.