AD max-throughput
Используйте при выполнении ресурсоемких задач: обучение моделей, дообучение, оценка, бенчмаркинг, симуляции, предварительная обработка данных, генерация наборов данных, компиляция, наборы тестов или любые пакетные задания с длительным выполнением, а также когда задание выполняется медленнее, чем ожидалось, и требует оптимизации производительности. Определяет доступные ресурсы CPU/GPU/памяти, агрессивно распараллеливает, затем профилирует выполняемое задание, чтобы найти истинное узкое место (конвейер данных, декодирование CPU, вычисления GPU, VRAM, I/O) и соответствующим образом настраивает размер пакета, рабочие процессы DataLoader, предварительное кодирование и точность, чтобы минимизировать время выполнения.
машинный переводПоказать оригиналСкрыть оригинал«Use when running compute-heavy work: model training, fine-tuning, eval…»
Use when running compute-heavy work: model training, fine-tuning, evaluation, benchmarks, simulations, data preprocessing, dataset generation, compilation, test suites, or any long-running batch job, or when a job is slower than expected and needs performance tuning. Detect available CPU/GPU/memory resources, parallelize aggressively, then profile the running job to find the true bottleneck (data pipeline, CPU decode, GPU compute, VRAM, I/O) and tune batch size, DataLoader workers, pre-encoding, and precision accordingly to minimize wall-clock runtime.
Используйте при выполнении ресурсоемких задач: обучение моделей, дообучение, оценка, бенчмаркинг, симуляции, предварительная обработка данных, генерация…
Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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 · 0
✓ Критических и высоких находок нет
Просканировано файлов: 12. 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 43/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 22
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1773 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 558 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 9 заголовков
- +3Пошаговые инструкции: 22 пунктов
- +4Есть примеры (3 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 5)
- +3Все 3 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.