BB assess-automotive-lighting-ip
Оценка архитектуры компонентов автомобильного освещения, стратегии поиска поставщиков, а также предварительного риска патентов и прав на дизайн. Используйте, когда пользователь предоставляет чертеж фары, изображение продукта, спецификацию материалов, техническую концепцию или вопрос о выборе между покупкой и собственным производством для фар, задних фонарей, противотуманных фар, сигнальных огней или декоративной подсветки и нуждается в обоснованном разбиении компонентов, решении о закупках, проверке свободы действий в нескольких юрисдикциях, обзоре рисков дизайна, вариантах обхода дизайна и доступном HTML-отчете с вкладками, упакованном в ZIP-файл.
машинный переводПоказать оригиналСкрыть оригинал«Assess automotive-lighting component architecture, sourcing strategy,…»
Assess automotive-lighting component architecture, sourcing strategy, and preliminary patent and design-right risk. Use when a user provides a lamp drawing, product image, bill of materials, technical concept, or make-versus-buy question for headlamps, rear lamps, fog lamps, signal lamps, or ambient lighting and needs an evidence-backed component breakdown, sourcing decision, multi-jurisdiction FTO screening, design-risk review, design-around options, and an accessible tabbed HTML report packaged as a ZIP file.
Оценка архитектуры компонентов автомобильного освещения, стратегии поиска поставщиков, а также предварительного риска патентов и прав на дизайн.
Как процесс B 69/100 · Почти готов — слабые места: результат и критерий готовности, повторный запуск
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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
- предупреждение
body-longтело SKILL.md ≈ 7381 токенов (рекомендуется < 5000); вынесите детали в references/ - заметка
frontmatter-keyнеизвестное поле фронтматтера "copyright"
Процессный рейтинг: все десять параметров 69/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 70Стоимость исполнения. Тело инструкции 7381 токенов
- 85Шаги. Шагов: 321, расплывчатых формулировок: 1
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- low Разделов верхнего уровня: 14. 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
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 516 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 66 заголовков
- +3Пошаговые инструкции: 321 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.