SKILLEMALL.ai

BC Map Content Dependencies Across Multiple Sources Automatically

Сопоставление скрытых зависимостей в вашей библиотеке контента для выявления критически важных активов, заброшенного контента и стратегических кластеров. Используйте, когда пользователю нужны аналитические данные аудита контента, приоритезация редакционного контента или анализ хрупкости контента для стратегического планирования.

машинный переводПоказать оригиналСкрыть оригинал«Map hidden dependencies across your content library to identify critic…»

Map hidden dependencies across your content library to identify critical assets, orphaned content, and strategic clusters. Use when the user needs content audit insights, editorial prioritization, or content fragility analysis for strategic planning.

ClawHub Agent Skills автор: ncreighton v1.0.0 MIT-0 2 файла тело ≈ 3 712 токенов Открыть источникclawhub.ai↗ проанализирован 5 дн назад

Сопоставление скрытых зависимостей в вашей библиотеке контента для выявления критически важных активов, заброшенного контента и стратегических кластеров.

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, согласованность, повторный запуск

ИнтеграцияWordPressNotionGoogle AnalyticsДанные и аналитикаМаркетингОперации и проектытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
    • заметка frontmatter-key неизвестное поле фронтматтера "homepage"
    • заметка edit-residue в тексте есть пометки об устаревшем (строки 229): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

    Процессный рейтинг: все десять параметров 55/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (Map Content Dependencies Across Multiple Sources Automatically) не совпадает с папкой (content-dependency-mapper)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web), 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
    • 85Шаги. Шагов: 74, расплывчатых формулировок: 1
    • 100Стоимость исполнения. Тело инструкции 3712 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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 250 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 39 заголовков
    • +3Пошаговые инструкции: 74 пунктов
    • +4Есть примеры (15 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.

    Внешние проверки

    ClawHub: clean
    This is a documentation-only content-audit skill whose API and OpenAI usage is disclosed and aligned with its purpose, though one troubleshooting command has unsafe variable guidance.
    LLM: benign (high) · VirusTotal: · 19 сент. 2026 г.