SKILLEMALL.ai
GitHub ↗ EN Войти

BD web-search-plus

Универсальный навык поиска в интернете и извлечения URL от разных поставщиков с интеллектуальной авто-маршрутизацией через Serper, Brave, Tavily, Querit, Linkup, Exa, Firecrawl, Perplexity, You.com, SearXNG, SerpBase и Keenable. Универсальные фильтры свежести/новостей, настройки с учетом региона, фильтрация спама/зеркал и адаптивная маршрутизация. Отправляет запросы/URL в настроенные API сторонних поставщиков и кэширует результаты, а также историю сбоев/производительности поставщика локально в .cache (настраивается, может быть отключено).

машинный переводПоказать оригиналСкрыть оригинал«Unified multi-provider web search and URL extraction skill with intell…»

Unified multi-provider web search and URL extraction skill with intelligent auto-routing across Serper, Brave, Tavily, Querit, Linkup, Exa, Firecrawl, Perplexity, You.com, SearXNG, SerpBase, and Keenable. Unified freshness/news filters, locale-aware defaults, spam/mirror filtering, and adaptive routing. Sends queries/URLs to the configured third-party provider APIs and caches results plus provider failure/performance history locally under .cache (configurable, can be disabled).

ClawHub Agent Skills автор: Sean Ford v1.0.0 MIT-0 24 файла · 1 скрипт тело ≈ 3 274 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Универсальный навык поиска в интернете и извлечения URL от разных поставщиков с интеллектуальной авто-маршрутизацией через Serper, Brave, Tavily, Querit…

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип 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
81/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
60
Прогон на моделях
не было
Процессный рейтинг
D
48/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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 · 5

✓ Критических и высоких находок нет

Средние и низкие: 5
  • низкая Утечка данных read-dotenv FAQ.md:98
    Чтение файла .env
    cp .env.example .env
  • низкая Утечка данных read-dotenv README.md:89
    Чтение файла .env
    cp .env.example .env
  • низкая Утечка данных read-dotenv SKILL.md:67
    Чтение файла .env
    cp .env.example .env
  • низкая Утечка данных read-dotenv test-auto-routing.sh:8
    Чтение файла .env (тестовый файл / пример)
    source .env
    тестовый файл
  • низкая Утечка данных read-dotenv test-auto-routing.sh:13
    Чтение файла .env (тестовый файл / пример; в кавычках — упоминание, а не команда)
    echo "Error: SERPER_API_KEY not set. Copy .env.example to .env and add your keys."
    тестовый файлв кавычках

Просканировано файлов: 20. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Flow map in block collection must be sufficiently indented and end with a } at line 5, column 1653: …health.json, and provider_stats.json (adaptive routing performance samples)"}}} ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 48/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 4, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 62
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3274 токенов
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

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
  • -37 из 10 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 482 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 62 пунктов
  • +4Есть примеры (9 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 60.

Внешние проверки

ClawHub: clean
This is a coherent web-search and URL-extraction skill that discloses its third-party data sharing and local caching behavior.
LLM: benign (high) · VirusTotal: · 9 июл. 2026 г.