SKILLEMALL.ai

BD multi-agent-team

Кооперация нескольких агентов (интеграция и продвижение · мета-навык). Для данной задачи/нерешенного вопроса автоматически выполняет: Распределение ролей (предлагающий/критик/фактчекер/обобщающий арбитр) → назначение задач → ответы с разных точек зрения → перекрестная проверка (reason-verify) → голосование/выбор лучшего через дебаты → вывод консенсусного заключения с указанием достоверности. Соответствует возможностям ведущих больших языковых моделей по «дебатам между агентами/самосогласованности», при этом вывод каждого агента проходит проверку надежности и голосуется с учетом веса надежности. Используйте, когда для принятия сложного решения требуется несколько точек зрения и необходимо подавить односторонние галлюцинации.

машинный переводПоказать оригиналСкрыть оригинал«多智能体协作(整合与进阶·元能力)。给定一项任务/一个待决问题,自动完成: 角色分工(提议者/批判者/事实核查/综合裁决) → 任务派发 →…»

多智能体协作(整合与进阶·元能力)。给定一项任务/一个待决问题,自动完成: 角色分工(提议者/批判者/事实核查/综合裁决) → 任务派发 → 多视角作答 → 交叉验证(reason-verify) → 投票聚合/辩论择优 → 输出带置信度的共识结论。 对标一线大模型智能体的「多 agent 辩论/自一致性」能力,且把每个 agent 的产出 都过一遍可靠自验证、按可靠度加权投票。当复杂决策需要多视角、且要 抑制单点幻觉时使用。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 239 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Кооперация нескольких агентов (интеграция и продвижение · мета-навык).

Как процесс D 38/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
D
38/100
Процесс не доведён
Шаги вес 15
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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 38/100

  • 0Шаги. Инструкция сплошным текстом, шаги не выделены
  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 239 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)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 215 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 5 заголовков
  • +4Есть примеры (2 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: clean
This skill runs a local multi-agent-style decision helper and writes local reports/learning files, with no evidence of hidden exfiltration or destructive behavior.
LLM: benign (medium) · VirusTotal: · 14 авг. 2026 г.