SKILLEMALL.ai

AC daily-learning

Стандартизированная ежедневная структура обучения для ИИ-агентов. Единый рабочий процесс: изучить тему → написать заметки в локальное рабочее пространство → загрузить в общую базу знаний (опционально). Используйте, когда: (1) настраиваете ежедневные задачи обучения по расписанию (cron), (2) агенту нужен стандартный протокол обучения, (3) консолидируете результаты обучения в вики. Активируется по запросам "定时学习", "daily learning", "学习任务", "learning cron", "学习流程". НЕ использовать для: разовых ответов на вопросы, немедленного выполнения задач, сбора неструктурированных знаний.

машинный переводПоказать оригиналСкрыть оригинал«Standardized daily learning framework for AI agents. Unified workflow:…»

Standardized daily learning framework for AI agents. Unified workflow: study a topic → write notes to local workspace → ingest to shared knowledge base (optional). Use when: (1) setting up daily cron learning tasks, (2) an agent needs the standard learning protocol, (3) consolidating learning output to wiki. Triggers on "定时学习", "daily learning", "学习任务", "learning cron", "学习流程". NOT for: one-off Q&A, immediate task execution, non-structured knowledge gathering.

ClawHub Agent Skills автор: mayf3 v1.0.0 MIT-0 5 файлов · 1 скрипт тело ≈ 1 346 токенов Открыть источникclawhub.ai проанализирован 19 ч назад

Стандартизированная ежедневная структура обучения для ИИ-агентов.

Как процесс C 60/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

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

    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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 60/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 28
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1346 токенов
    • low Ответ описан самодельной разметкой (7 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

    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 2 примера фраз-триггеров в кавычках
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 464 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 28 пунктов
    • +4Есть примеры (5 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +3Все 1 скриптов описаны в инструкциях

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

    Внешние проверки

    ClawHub: suspicious
    This daily-learning skill is mostly coherent, but it tells recurring agents to inspect prior user context and turn inferred needs into durable learning plans without clear consent or limits.
    LLM: suspicious (medium) · VirusTotal: · 5 июн. 2026 г.