SKILLEMALL.ai
GitHub ↗ EN Войти

BD data-viz

Визуализация данных. Чтение наборов данных CSV/JSON, автоматическое определение типов столбцов, генерация SVG-графиков (гистограммы/точечные/столбчатые/линейные) и HTML-дашбордов на чистом Python, без зависимостей matplotlib/pandas. Используйте, когда пользователь хочет «нарисовать график», «визуализировать данные», «сделать график», «посмотреть распределение», «дашборд».

машинный переводПоказать оригиналСкрыть оригинал«数据可视化。读 CSV/JSON 数据集，自动推断列类型，纯 Python 生成 SVG 图表（直方图/散点/柱状/折线）与 HTML 看板…»

数据可视化。读 CSV/JSON 数据集，自动推断列类型，纯 Python 生成 SVG 图表（直方图/散点/柱状/折线）与 HTML 看板，无 matplotlib/pandas 依赖。当用户需要"画个图""数据可视化""做个图表""看分布""dashboard"时使用。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 178 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Визуализация данных. Чтение наборов данных CSV/JSON, автоматическое определение типов столбцов, генерация SVG-графиков…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникДанные 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
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
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: 5. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"
  • заметка frontmatter-key неизвестное поле фронтматтера "visibility"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 9
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 178 токенов
  • 100Повторный запуск. Изменяющих операций нет

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 137 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 5 заголовков
  • +3Пошаговые инструкции: 9 пунктов
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
The skill does offline chart generation, but it also includes a broad persistent learning module that records activity and preferences beyond a simple visualization workflow.
LLM: suspicious (high) · 14 авг. 2026 г.