SKILLEMALL.ai

AB lessonloop

Легковесное средство для захвата опыта и упрочнения поведения для Goat. Используйте, когда пользователь явно дает корректирующую обратную связь, просит запомнить или избежать чего-либо, одобряет новое правило работы, указывает на повторяющуюся ошибку или просит Goat улучшить себя без увеличения нагрузки на токены. Этот навык записывает только ценные уроки, продвигает долгосрочные правила в MEMORY.md, когда это оправдано, и избегает многословных циклов саморефлексии.

машинный переводПоказать оригиналСкрыть оригинал«Lightweight experience-capture and behavior-hardening for Goat. Use wh…»

Lightweight experience-capture and behavior-hardening for Goat. Use when the user explicitly gives corrective feedback, says to remember or avoid something, approves a new operating rule, points out a repeated mistake, or asks Goat to improve itself without adding high token overhead. This skill records only high-value lessons, promotes durable rules into MEMORY.md when justified, and avoids verbose self-reflection loops.

ClawHub Agent Skills автор: stevengaojn2010 v0.1.1 MIT-0 12 файлов тело ≈ 978 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Легковесное средство для захвата опыта и упрочнения поведения для Goat.

Как процесс B 75/100 · Почти готов — слабые места: входы и предусловия, повторный запуск, отчётность по ходу

ПроцедураОбучениеИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
B
75/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
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: 12. 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 75/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 65Ошибки и развилки. Развилок: 3
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 48
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 978 токенов

    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)
    • -31 из 5 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 425 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 15 заголовков
    • +3Пошаговые инструкции: 48 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (0 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 3)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    LessonLoop is a disclosed local memory helper for saving user feedback, with the main risk that corrections and preferences can be persisted for future sessions.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.