SKILLEMALL.ai

BC user-portrait

Изучите постоянный портрет пользователя — язык, экспертизу, пробелы в знаниях, предпочтения в общении — и формулируйте каждый ответ на понятном ему языке. Также управляет портретом по запросу: показать, исправить, приостановить/возобновить, сбросить (профиль пользователя / портрет / 我的画像 / 用户画像). Хранит только постоянные факты о человеке в одном локальном файле; никогда не хранит контент задач или секреты; нет сетевого доступа.

машинный переводПоказать оригиналСкрыть оригинал«Learn a persistent portrait of the user — language, expertise, knowled…»

Learn a persistent portrait of the user — language, expertise, knowledge gaps, communication preferences — and phrase every reply in language they understand. Also manages the portrait on request: show, correct, pause/resume, reset (user profile / portrait / 我的画像 / 用户画像). Stores only durable facts about the person in one local file; never task content or secrets; no network access.

ClawHub Agent Skills автор: zhangbc v0.2.1 MIT-0 3 файла тело ≈ 1 221 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Изучите постоянный портрет пользователя — язык, экспертизу, пробелы в знаниях, предпочтения в общении — и формулируйте каждый ответ на понятном ему языке.

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия

ПроцедураРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
83/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
58
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Learn a persistent portrait of the user — language, expertise, kno… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 58/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (write), но во frontmatter они не объявлены
  • 60Ошибки и развилки. Развилок: 2
  • 100Шаги. Шагов: 19
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1221 токенов
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

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 384 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 19 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 58.

Внешние проверки

ClawHub: clean
This skill transparently keeps a local communication profile to tailor replies, with persistence that users should understand before installing.
LLM: benign (high) · VirusTotal: · 18 авг. 2026 г.