SKILLEMALL.ai

AC amazon-lp

Применение принципов лидерства Amazon к созданию продуктов, разработке функций, проверке кода и принятию архитектурных решений. Используйте при создании нового продукта или функции, проверке кода или дизайна, оценке идей, написании PRFAQ, принятии решений о сборке против покупки, приоритизации работы или когда требуется обеспечение качества и ориентации на клиента. Триггеры: «создать продукт», «разработать функцию», «проверить этот код», «оценить эту идею», «написать PRFAQ», «приоритизировать», «следует ли это создавать», «обзор архитектуры», «проверка качества».

машинный переводПоказать оригиналСкрыть оригинал«Apply Amazon's Leadership Principles to product building, feature deve…»

Apply Amazon's Leadership Principles to product building, feature development, code review, and architecture decisions. Use when building a new product or feature, reviewing code or designs, evaluating ideas, writing PRFAQs, making build-vs-buy decisions, prioritizing work, or when quality and customer focus need enforcement. Triggers on "build a product", "design a feature", "review this code", "evaluate this idea", "write a PRFAQ", "prioritize", "should we build this", "architecture review", "quality check".

ClawHub Agent Skills автор: wholeinsoul v1.0.0 MIT-0 2 файла тело ≈ 1 122 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Применение принципов лидерства Amazon к созданию продуктов, разработке функций, проверке кода и принятию архитектурных решений.

Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

АнализаторРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
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: 2. 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 63/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Ошибки и развилки. Развилок: 2
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 41
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1122 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

    • +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 9 примера фраз-триггеров в кавычках
    • +3Длина description 515 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 41 пунктов
    • +4Есть примеры (1 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

    Внешние проверки

    ClawHub: clean
    This is an instruction-only product and engineering review framework with no code, permissions, or data access.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.