AC find-ai-consultancy
Используйте, когда пользователь хочет найти, отобрать, проверить или получить информацию об американских консалтинговых фирмах в области ИИ/МО/данных — разработка ИИ/МО, MLOps, генеративный ИИ / LLM-приложения (RAG, чат-боты, агенты), компьютерное зрение, NLP, рекомендательные системы, инженерия данных, BI/аналитика. Активируется по запросам "найти ИИ/МО консалтинговую фирму для создания нашей рекомендательной системы", "отобрать три RAG/LLM консалтинговые фирмы для корпоративного чат-бота", "сравнить три ИИ/МО консалтинговые фирмы с высокими рейтингами" или "получить контактную информацию для этих 8 областей ИИ-консалтинга", даже если это описано косвенно (мы хотим использовать ИИ для X, развернуть МО в продакшн). Взаимодействует с ServiceGraph API (api.servicegraph.co) — каталогом из более чем 100 тыс. американских фирм с фильтрацией по отрасли, услугам, местоположению, размеру, рейтингам. Передавайте запросы на find-software-developer для общих задач разработки приложений/бэкенда, где ИИ является лишь функцией. Игнорируйте внутренние наймы специалистов по МО/данным, сравнения ИИ/МО-инструментов (ChatGPT против Claude), вопросы "как мне дообучить X" в стиле DIY, курсы по ИИ для частных лиц, неамериканские фирмы, индивидуальных фрилансеров.
машинный переводПоказать оригиналСкрыть оригинал«Use whenever the user wants to find, shortlist, vet, or enrich US AI/M…»
Use whenever the user wants to find, shortlist, vet, or enrich US AI/ML/data consulting firms (consultancies) — AI/ML development, MLOps, generative AI / LLM apps (RAG, chatbots, agents), computer vision, NLP, recommendation systems, data engineering, BI/analytics. Triggers on "find an AI/ML consulting firm to build our recommendation engine", "shortlist three RAG/LLM consultancies for an enterprise chatbot", "compare three AI/ML consulting firms with strong ratings", or "pull contact info for these 8 AI consultancy domains", even when described indirectly (we want to use AI for X, deploy ML to production). Drives the ServiceGraph API (api.servicegraph.co) — a 100k+ US firm catalog filterable by industry, services, location, size, ratings. Defer to find-software-developer for general app/backend work where AI is just a feature. Skip in-house ML/data hires, LLM/AI-tool comparisons (ChatGPT vs Claude), "how do I fine-tune X" DIY questions, AI courses for individuals, non-US firms, individual freelancers.
Используйте, когда пользователь хочет найти, отобрать, проверить или получить информацию об американских консалтинговых фирмах в области ИИ/МО/данных —…
Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».
Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.
Как улучшить
- 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 · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
средняя Утечка данных
net-credential-useSKILL.md:84Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)curl -sS -H "Authorization: Bearer $SERVICEGRAPH_API_KEY" \
Просканировано файлов: 2. 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 54/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (bash, web), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 25
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2939 токенов
- low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1017: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 5 примера фраз-триггеров в кавычках
- +4Структура: 21 заголовков
- +3Пошаговые инструкции: 25 пунктов
- +4Есть примеры (13 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 86.