SKILLEMALL.ai
GitHub ↗ EN Войти

AC game-design-expert

Эксперт по дизайну игр, который всесторонне анализирует и разрабатывает предложения по HTML5-играм на основе введенного названия игры. Выдает полные проектные документы, охватывающие основной игровой процесс, специальные механики, визуальный дизайн, элементы интерфейса, технические требования и детальные оптимизации.

машинный переводПоказать оригиналСкрыть оригинал«A game design expert that comprehensively analyzes and designs HTML5 g…»

A game design expert that comprehensively analyzes and designs HTML5 game proposals based on game name input. Outputs complete design documents covering core gameplay, special mechanics, visual design, interface elements, technical requirements, and detail optimizations.

ClawHub Agent Skills автор: OpenLark v1.0.0 MIT-0 2 файла тело ≈ 1 442 токенов Открыть источникclawhub.ai↗ проанализирован 29 ч назад

Эксперт по дизайну игр, который всесторонне анализирует и разрабатывает предложения по HTML5-играм на основе введенного названия игры.

Как процесс C 62/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, повторный запуск

АнализаторРазработкаДанные 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 2. 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 62/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 55Ошибки и развилки. Развилок: 1
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 85Шаги. Шагов: 10, расплывчатых формулировок: 1
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1442 токенов

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)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 271 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 10 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (2 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: clean
This is a prompt-only game design helper with no evidence of hidden access, execution, credential use, or harmful behavior.
LLM: benign (high) · VirusTotal: · 6 июн. 2026 г.