AC local-model-optimizer
Автоматически определяет оборудование (видеопамять GPU, системная ОЗУ, ЦП), рекомендует оптимальные локальные модели из реестра Ollama, настраивает Ollama с оптимизированными параметрами и настраивает гибридное облачно-локальное маршрутирование в OpenClaw. Поддерживает Gemma 4, Llama, Mistral, Qwen, Phi и другие модели, совместимые с Ollama. Рассчитывает экономию затрат по сравнению с облачными API. Используйте, когда вас просят "настроить локальную модель", "оптимизировать локальный ИИ", "снизить затраты на API", "настроить Ollama", "проверка оборудования для ИИ", "гибридное маршрутирование", "облачно-локальное маршрутирование", "запустить ИИ локально", "бесплатный ИИ", "модель с нулевой стоимостью", "какая модель подходит моему оборудованию", "автоматическая настройка Ollama" или когда пользователи упоминают высокие затраты на API и хотят локальную альтернативу.
машинный переводПоказать оригиналСкрыть оригинал«Auto-detect hardware (GPU VRAM, system RAM, CPU), recommend optimal lo…»
Auto-detect hardware (GPU VRAM, system RAM, CPU), recommend optimal local models from Ollama registry, configure Ollama with tuned parameters, and set up hybrid cloud/local routing in OpenClaw. Supports Gemma 4, Llama, Mistral, Qwen, Phi, and other Ollama-compatible models. Calculates cost savings vs cloud API. Use when asked to "set up local model", "optimize local AI", "reduce API costs", "configure Ollama", "hardware check for AI", "hybrid routing", "cloud local routing", "run AI locally", "free AI", "zero cost model", "which model fits my hardware", "auto-config Ollama", or when users mention high API costs and want a local alternative.
Автоматически определяет оборудование (видеопамять GPU, системная ОЗУ, ЦП), рекомендует оптимальные локальные модели из реестра Ollama, настраивает Ollama с…
Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- 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-shellscripts/local-model-optimizer.py:232Скачивание и запуск удалённого кода с неизвестного хоста (pipe в shell) (строковый литерал в коде, не выполняется; хост вендора самого скилла)['sh', '-c', 'curl -fsSL https://ollama.com/install.sh | sh'],
строка в кодеvendor-host
Просканировано файлов: 4. 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 58/100
- 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
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 23
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 767 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
- +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 12 примера фраз-триггеров в кавычках
- +3Длина description 648 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 9 заголовков
- +3Пошаговые инструкции: 23 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.