SKILLEMALL.ai
GitHub ↗ EN Войти

CB AgentEpstein

Собирает наборы изображений с арт-сайтов (Danbooru, yande.re, e621, Safebooru, Konachan, Gelbooru, X, Pixiv) в папку, которую напрямую читает LoRA или fine-tune. Маршрутизирует каждый источник через обычный HTTP или реальный браузер, чтобы обойти бот-защиту, проверяет кандидатов с X и Pixiv, фактически просматривая их, и сохраняет происхождение художника/страницы/тега в каждой строке. Используйте для: создания набора данных или справочного набора по тегу, паре, фэндому или художнику; сбора изображений для обучения LoRA; или скрейпинга сайта, который блокирует обычный клиент по ошибке 403.

машинный переводПоказать оригиналСкрыть оригинал«Harvest image datasets from art sites (Danbooru, yande.re, e621, Safeb…»

Harvest image datasets from art sites (Danbooru, yande.re, e621, Safebooru, Konachan, Gelbooru, X, Pixiv) into a folder a LoRA or fine-tune reads directly. Routes each source over plain HTTP or a real browser to get past bot walls, verifies X and Pixiv candidates by actually looking at them, and keeps artist/page/tag provenance on every row. Use for: building a dataset or reference set from a tag, ship, fandom or artist; collecting images for LoRA training; or scraping a site that 403s a normal client.

ClawHub Agent Skills автор: schizofighter v1.0.3 MIT-0 21 файл · 15 скриптов тело ≈ 9 161 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Собирает наборы изображений с арт-сайтов (Danbooru, yande.re, e621, Safebooru, Konachan, Gelbooru, X, Pixiv) в папку, которую напрямую читает LoRA или…

Как процесс B 73/100 · Почти готов — слабые места: результат и критерий готовности, согласованность, стоимость исполнения

ПроцедураPlaywrightCloudflareИИ и агентыДанные 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
C
87/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
B
73/100
Почти готов
Результат и критерий готовности вес 14
40
Согласованность вес 8
40
Стоимость исполнения вес 6
40
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Опасные команды cmd-pipe-to-shell-known-host scripts/bootstrap.py:163
    Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код) (строковый литерал в коде, не выполняется; комментарий в коде)
    print("  # or install uv:  curl -LsSf https://astral.sh/uv/install.sh | sh")
    строка в кодекомментарий

Просканировано файлов: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение body-long тело SKILL.md ≈ 9161 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка edit-residue в тексте есть пометки об устаревшем (строки 479): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

Процессный рейтинг: все десять параметров 73/100

  • 40Результат и критерий готовности. Не сказано, что считать результатом
  • 40Согласованность. Имя во frontmatter (AgentEpstein) не совпадает с папкой (agent-epstein)
  • 40Стоимость исполнения. Тело инструкции 9161 токенов: вытесняет саму задачу из окна
  • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 76
  • 100Когда включается. Сказано, когда применять и когда не применять
  • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 18. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее

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
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -2Ссылки на localhost: у другого пользователя не заработает
  • -32 из 13 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +4Описание говорит, когда скилл НЕ применять
  • +3Длина description 507 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 29 заголовков
  • +3Пошаговые инструкции: 76 пунктов
  • +4Есть примеры (16 блоков кода)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
The skill mainly does what it says, but it also automates logged-in browser sessions and can upload scraped image datasets to external services, so it needs careful review before use.
LLM: suspicious (high) · 2 окт. 2026 г.