SKILLEMALL.ai

AC study-planner

Создавайте персонализированные учебные планы с распределением времени, поэтапными графиками обучения и стратегиями повторения. Используйте, когда пользователям нужна помощь в планировании своего учебного пути по любому предмету или навыку — подготовка к экзаменам, самообучение, карьерное развитие, изучение языков, подготовка к сертификации или любая другая структурированная учебная цель. Активируется фразами вроде "学习计划", "study plan", "怎么学", "备考规划", "学习规划", "复习安排", "learning schedule", "how to learn X", "prepare for exam".

машинный переводПоказать оригиналСкрыть оригинал«Create personalized study plans with time allocation, phased learning…»

Create personalized study plans with time allocation, phased learning schedules, and review strategies. Use when users need help planning their learning journey for any subject or skill — exam preparation, self-study, career development, language learning, certification prep, or any structured learning goal. Triggers on phrases like "学习计划", "study plan", "怎么学", "备考规划", "学习规划", "复习安排", "learning schedule", "how to learn X", "prepare for exam".

ClawHub Agent Skills автор: smallKeyboy v1.0.1 MIT-0 5 файлов тело ≈ 906 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Создавайте персонализированные учебные планы с распределением времени, поэтапными графиками обучения и стратегиями повторения.

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

ГенераторОбучениеИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
96
Прогон на моделях
не было
Процессный рейтинг
C
59/100
Есть пробелы
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

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 59/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 35
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 906 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 4 примера фраз-триггеров в кавычках
    • +3Длина description 446 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 35 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.

    Внешние проверки

    ClawHub: clean
    This study-planning skill is transparent and limited to local schedule generation, with no evidence of credential access, network activity, persistence, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 27 мая 2026 г.