BC openclaw-agent-evaluation-benchmark-engine
Используйте при объективном измерении качества агентов OpenClaw с помощью базовых тестов, обнаружения регрессий, наборов эталонных тестов, оценки, сравнения моделей, оценки безопасности и блокировки обновлений перед принятием изменений.
машинный переводПоказать оригиналСкрыть оригинал«Use when measuring OpenClaw agent quality objectively via baseline ben…»
Use when measuring OpenClaw agent quality objectively via baseline benchmarks, regression detection, golden test suites, scoring, model comparison, security evaluation, and upgrade gating before accepting changes.
Используйте при объективном измерении качества агентов OpenClaw с помощью базовых тестов, обнаружения регрессий, наборов эталонных тестов, оценки, сравнения…
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность
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
-
низкая Рискованное назначение
intent-offensive-securitySKILL.md:739Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)PRIVILEGE ESCALATION
Просканировано файлов: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
frontmatter-yamlSKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 6, column 12: changelog: ClawHub professional standard: Overview, When to Use, How to Use, Co… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage" - заметка
frontmatter-keyнеизвестное поле фронтматтера "changelog" - заметка
frontmatter-keyнеизвестное поле фронтматтера "emoji"
Процессный рейтинг: все десять параметров 53/100
- 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: 7, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (openclaw-agent-evaluation-benchmark-engine) не совпадает с папкой (agent-evaluation-benchmark-engine)
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 70Стоимость исполнения. Тело инструкции 4011 токенов
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 46
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Разделов верхнего уровня: 65. 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
- +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
- +4Нет примеров входа/выхода
- +2Инструкции на одном языке
- +3Длина description 213 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 66 заголовков
- +3Пошаговые инструкции: 46 пунктов
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.