SKILLEMALL.ai
GitHub ↗ EN Войти

AB deeptutor

Персонализированный репетитор по глубокому чтению на основе контента. Ориентирован на исходный текст, понимание на уровне глав, гибрид учителя по внимательному чтению и стратега. Автоматически сохраняет в Obsidian.

машинный переводПоказать оригиналСкрыть оригинал«A personalized content-driven deep reading tutor. Original-text-first,…»

A personalized content-driven deep reading tutor. Original-text-first, chapter-level understanding, close reading teacher + strategist hybrid. Auto-saves to Obsidian.

ClawHub Agent Skills автор: tanjinlimkelvin-dot v1.2.0 MIT-0 10 файлов тело ≈ 1 915 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Персонализированный репетитор по глубокому чтению на основе контента.

Как процесс B 75/100 · Почти готов — слабые места: результат и критерий готовности, отчётность по ходу

ПроцедураObsidianОбучениеИнфраструктуратип 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
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
B
75/100
Почти готов
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Когда включается вес 12
50
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: 10. 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")

Процессный рейтинг: все десять параметров 75/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 49
  • 100Ошибки и развилки. Развилок: 4, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1915 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 16. 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 166 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 30 заголовков
  • +3Пошаговые инструкции: 49 пунктов
  • +4Есть примеры (13 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 4)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: clean
DeepTutor is a disclosed EPUB reading assistant that saves generated notes to an Obsidian vault, with no evidence of hidden network, credential, destructive, or unrelated behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.