SKILLEMALL.ai

AB claw-self-improving-plus

Преобразуйте необработанные ошибки, исправления, открытия и повторяющиеся решения в структурированные знания и кандидатов на продвижение. Используйте, когда пользователь хочет консервативный рабочий процесс самосовершенствования, который фиксирует уроки, оценивает ценность повторного использования, дедуплицирует похожие знания, создает привязанные кандидатские патчи для SOUL.md, AGENTS.md, TOOLS.md или MEMORY.md, просматривает их на этапе утверждения и сохраняет человеческий контроль перед любыми долгосрочными правками файлов.

машинный переводПоказать оригиналСкрыть оригинал«Turn raw mistakes, corrections, discoveries, and repeated decisions in…»

Turn raw mistakes, corrections, discoveries, and repeated decisions into structured learnings and promotion candidates. Use when the user wants a conservative self-improvement workflow that captures lessons, scores reuse value, deduplicates similar learnings, drafts anchored candidate patches for SOUL.md, AGENTS.md, TOOLS.md, or MEMORY.md, reviews them through an approval step, and keeps human control before any long-term file edits.

ClawHub Agent Skills автор: TimothySong v1.0.2 MIT-0 22 файла тело ≈ 1 307 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Преобразуйте необработанные ошибки, исправления, открытия и повторяющиеся решения в структурированные знания и кандидатов на продвижение.

Как процесс B 73/100 · Почти готов — слабые места: входы и предусловия

ПроцедураИнфраструктураИИ и агентыОбучениетип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
B
73/100
Почти готов
Входы и предусловия вес 11
0
Инструменты и файлы вес 18
60
Результат и критерий готовности вес 14
60
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: 22. 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 73/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 81
    • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1307 токенов
    • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 10. 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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 437 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 19 заголовков
    • +3Пошаговые инструкции: 81 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 5)
    • +3Все 15 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.

    Внешние проверки

    ClawHub: clean
    This is a local, review-first learning workflow that can update agent memory files only after explicit approval, with no evidence of hidden network, credential theft, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.