SKILLEMALL.ai
GitHub ↗ EN Войти

CC tao-data-io

Перенос данных для задач TAO — определяет уровень хранения (предварительно размещенное хранилище с нулевой выборкой / том из S3 / временная выборка в вычислительном узле), подготавливает входные данные (пакетная обработка + выборочная аннотация + извлечение архива + HF/NGC PTM), сопоставляет учетные данные со средой, трехсторонне маршрутизирует выходные данные с исключениями загрузки и запускает проверку вычислительного фрейма. Вспомогательный навык, который вызывают другие платформенные навыки (docker, kubernetes, slurm, brev, virtualenv) для получения данных в контейнер вычислений и из него без TAO SDK. Триггерные фразы включают «подготовить входные данные», «смонтировать набор данных», «загрузить результаты TAO», «загрузить только указанные файлы», «разрешить results_dir», «проверить, что контейнер может читать данные».

машинный переводПоказать оригиналСкрыть оригинал«The data-mover for TAO jobs — decides the storage tier (A pre-position…»

The data-mover for TAO jobs — decides the storage tier (A pre-positioned mount with zero fetch / B volume-from-S3 / C ephemeral in-compute fetch), stages inputs (bulk + annotation-selective + archive extract + HF/NGC PTM), maps credentials to env, routes outputs 3-way with upload-excludes, and runs the compute-frame verify gate. A support skill other platform skills (docker, kubernetes, slurm, brev, virtualenv) call to get data to and from the compute container without the TAO SDK. Trigger phrases include "stage inputs", "mount the dataset", "upload TAO results", "download only referenced files", "resolve results_dir", "verify the container can read the data".

ClawHub Agent Skills автор: NVIDIA 1 файл тело ≈ 1 214 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Перенос данных для задач TAO — определяет уровень хранения (предварительно размещенное хранилище с нулевой выборкой / том из S3 / временная выборка в…

Как процесс C 55/100 · Есть пробелы — Скилл ссылается на файлы, которых нет в архиве: references/selective_download.py, references/tests/

ИнтеграцияKubernetesDockerAWSИнфраструктураДанные и аналитикатип 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
C
89/100
безопасность, качество, тесты
Безопасность 60%
93
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Скилл ссылается на файлы, которых нет в архиве: references/selective_download.py, references/tests/
Инструменты и файлы вес 18
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Широкие права средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.

Автору

Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.

Как улучшить

  1. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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
  • средняя Широкие права meta-broad-allowed-tools SKILL.md:1
    Заранее разрешены широкие инструменты: Bash
    allowed-tools: Read Bash
  • низкая Утечка данных read-dotenv SKILL.md:42
    Чтение файла .env
    set -a; source /path/to/.env; set +a   # omit if already exported
  • низкая Утечка данных read-dotenv SKILL.md:98
    Чтение файла .env
    set -a; source /path/to/.env; set +a   # omit if already exported

Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение missing-ref ссылка на отсутствующий файл: references/selective_download.py
  • предупреждение missing-ref ссылка на отсутствующий файл: references/tests/
  • заметка edit-residue в тексте есть пометки об устаревшем (строки 33): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

Процессный рейтинг: все десять параметров 55/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/selective_download.py, references/tests/
  • 0Инструменты и файлы. Не хватает 2 файла(ов): references/selective_download.py, references/tests/
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 55Ошибки и развилки. Развилок: 1
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 85Шаги. Шагов: 12, расплывчатых формулировок: 1
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1214 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Ответ описан самодельной разметкой (3 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +2Инструкции на одном языке
  • +5В description 6 примера фраз-триггеров в кавычках
  • +3Длина description 668 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 8 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (2 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.