SKILLEMALL.ai
GitHub ↗ EN Войти

BD human-in-loop-review

Добавьте уровень «человеческого контроля» к автономным агентам/автоматизированным конвейерам: направляйте действия с высоким или средним риском, необратимые действия, передачу конфиденциальных данных, повышение привилегий, платежи и другие действия с побочными эффектами в очередь ручной проверки, чтобы предотвратить несанкционированное выполнение агентами без присмотра. Включает уровни проверки (needs_review), очереди проверки (add/pending/approve/reject/summary) и полный аудит (инициатор/риск/проверяющий/решение/причина/временная метка). Дополняет safety-guardrails: ограждения принимают решения ALLOW/CONFIRM/DENY, а этот навык перенаправляет действия типа CONFIRM в очередь ручной проверки. Триггеры: человеческий контроль, ручная проверка, очередь проверки, рабочий процесс утверждения, human-in-the-loop, подтверждение операции, перехват несанкционированного доступа, проверка агента.

машинный переводПоказать оригиналСкрыть оригинал«给自主智能体/自动化流水线加一层「人类在环审核」：把中高危、不可逆、外发隐私、提权、支付等 有副作用的动作路由到人工审核队列，阻止无人值守…»

给自主智能体/自动化流水线加一层「人类在环审核」：把中高危、不可逆、外发隐私、提权、支付等 有副作用的动作路由到人工审核队列，阻止无人值守 agent 越权执行。内置审核分级（needs_review）、 审核队列（add/pending/approve/reject/summary）、完整审计（提议者/风险/审核人/结论/理由/时间戳）。 与 safety-guardrails 互补：护栏做 ALLOW/CONFIRM/DENY 决策，本技能把 CONFIRM 类动作转人工队列。 触发词：人类在环、人工审核、审核队列、审批流、human-in-the-loop、操作确认、越权拦截、agent 审核。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 526 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Добавьте уровень «человеческого контроля» к автономным агентам/автоматизированным конвейерам: направляйте действия с высоким или средним риском, необратимые…

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

АнализаторИИ и агентыТексты и документытип 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
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
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 "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name_en"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_zh"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_en"
  • 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 (bash), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 16
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 526 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 304 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 16 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: suspicious
The skill has a legitimate human-review purpose, but it adds broad self-learning persistence and the CLI does not actually preserve the review queue between runs.
LLM: suspicious (high) · 14 авг. 2026 г.