SKILLEMALL.ai

AC manufacturing-failure-reason-codebook-normalization

Используйте этот навык, когда вам нужно нормализовать причины дефектов, написанные инженерами по тестированию, в соответствии с предоставленными кодовыми книгами продуктов. Этот навык исправит опечатки, неправильно использованные аббревиатуры, неоднозначные описания, смешанный китайско-английский текст или вводящий в заблуждение текст и предоставит объяснения. Этот навык выполнит сегментацию, семантическое сопоставление, калибровку достоверности и проверку станции.

машинный переводПоказать оригиналСкрыть оригинал«This skill should be considered when you need to normalize testing eng…»

This skill should be considered when you need to normalize testing engineers' written defect reasons following the provided product codebooks. This skill will correct the typos, misused abbreviations, ambiguous descriptions, mixed Chinese-English text or misleading text and provide explanations. This skill will do segmentation, semantic matching, confidence calibration and station validation.

ClawHub Agent Skills автор: wu-uk v0.1.0 MIT-0 2 файла тело ≈ 1 000 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте этот навык, когда вам нужно нормализовать причины дефектов, написанные инженерами по тестированию, в соответствии с предоставленными кодовыми…

Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторПроизводствоРазработкаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
54/100
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 54/100

    • 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
    • 40Согласованность. Имя во frontmatter (manufacturing-failure-reason-codebook-normalization) не совпадает с папкой (manufacturing-codebook-normalization-manufacturing-failure-reason-codebook-normalization)
    • 55Ошибки и развилки. Развилок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 5
    • 100Стоимость исполнения. Тело инструкции 1000 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели

    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)
    • +4Структура: 0 заголовков, инструкции сложно сканировать
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 395 символов: достаточно сигнала, не съедает бюджет
    • +3Пошаговые инструкции: 5 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

    Внешние проверки

    ClawHub: clean
    This is an instruction-only skill for normalizing manufacturing failure reasons against provided codebooks, with no executable code or hidden access requests.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.