SKILLEMALL.ai

BD ecosystem-auditor

Аудит состояния здоровья экосистемы навыков: сканирует экосистему навыков (по умолчанию ~/.workbuddy/skills), проводит проверку каждого навыка — проверка корректности frontmatter, компилируемость скриптов, устаревание, близкие дубликаты (shingle Jaccard), сиротские meta (meta-X, но преподаватель X отсутствует), выводит структурированный отчет о состоянии для движка мета-эволюции, чтобы определить навыки, которые «нужно отремонтировать/объединить/отбросить». Это мета-способность, позволяющая «супер-интеллекту полного стека управлять собственной экосистемой», которой не обладают передовые большие модели.

машинный переводПоказать оригиналСкрыть оригинал«技能生态健康度审计:扫描技能生态(默认 ~/.workbuddy/skills),对每枚技能做体检—— frontmatter 合法性、脚本…»

技能生态健康度审计:扫描技能生态(默认 ~/.workbuddy/skills),对每枚技能做体检—— frontmatter 合法性、脚本可编译性、陈旧度、近重复(shingle Jaccard)、孤儿 meta (meta-X 但教师 X 不存在),输出结构化健康报告,供元进化引擎定位"该修/该并/该弃"的技能。 这是让全栈超级智能体"能治理自身生态"的元能力,一线大模型不具备。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 280 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Аудит состояния здоровья экосистемы навыков: сканирует экосистему навыков (по умолчанию ~/.workbuddy/skills), проводит проверку каждого навыка — проверка…

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

АнализаторРазработкаТексты и документыИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
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: 15
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 280 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • -31 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 2 примера фраз-триггеров в кавычках
  • +3Длина description 193 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 7 заголовков
  • +3Пошаговые инструкции: 15 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.

Внешние проверки

ClawHub: suspicious
The main auditor is a coherent local skill-health scanner, but the package also includes an under-scoped learning module that can persist notes and preferences into arbitrary skill directories.
LLM: suspicious (high) · 14 авг. 2026 г.