SKILLEMALL.ai

BC industry-exp-distill

Skill извлечения опыта по отраслям — сбор, систематизация и обобщение лучших практик и методологий работы в различных отраслях. Опыт извлекается с учетом международной стандартной отраслевой классификации ISIC и охватывает основные отрасли, такие как технологии, производство, финансы, медицина, образование и услуги. Используется, когда пользователь запрашивает сбор отраслевого опыта, анализ методов конкурентов, извлечение отраслевых методологий или межотраслевое обучение. Основные возможности: навигация по отраслевой классификации, сбор лучших практик, извлечение методологий, межотраслевые аналогии.

машинный переводПоказать оригиналСкрыть оригинал«行业经验萃取Skill - 收集、整理、归纳各行业最佳实践经验和工作方法论。参照ISIC国际标准行业分类,涵盖科技、制造、金融、医疗、教育、…»

行业经验萃取Skill - 收集、整理、归纳各行业最佳实践经验和工作方法论。参照ISIC国际标准行业分类,涵盖科技、制造、金融、医疗、教育、服务等主流行业的经验萃取。当用户要求收集行业经验、分析同业做法、提炼行业方法论、进行跨行业学习时使用。核心能力:行业分类导航、最佳实践收集、方法论提炼、跨行业类比。

ClawHub Agent Skills автор: smxtx v1.0.0 MIT-0 4 файла тело ≈ 2 313 токенов Открыть источникclawhub.ai проанализирован 20 ч назад

Skill извлечения опыта по отраслям — сбор, систематизация и обобщение лучших практик и методологий работы в различных отраслях.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураОперации и проектыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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

  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: 4. 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 "auto_update"
  • заметка frontmatter-key неизвестное поле фронтматтера "update_keywords"
  • заметка frontmatter-key неизвестное поле фронтматтера "update_sources"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 263
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2313 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
  • -274 эмодзи в инструкциях: шум для модели
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 152 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 26 заголовков
  • +3Пошаговые инструкции: 263 пунктов
  • +4Есть примеры (4 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.

Внешние проверки

ClawHub: clean
This is a Chinese-language reference skill for organizing industry best practices, with no executable code or hidden sensitive behavior found.
LLM: benign (high) · VirusTotal: · 16 июн. 2026 г.