SKILLEMALL.ai

BD lgd-three-laws-auditor

Используйте, когда пользователь спрашивает «Соответствует ли моя ИИ-система нормам / Как оценить уровень управления ИИ / Нужны ли агентам защитные ограждения управления?» или хочет внедрить «С записями · С доказательствами · С контролем доступа». Превратите три закона LGD в набор самооцениваемых стандартов (с записями = регистрация четырех аспектов: личность/версия/происхождение/ответственность; с доказательствами = наличие шести типов артефактов доказательств; с контролем доступа = четыре этапа: триггер/оценка/разрешение/обзор). Ввод описания системы выдает оценочную карту + пункты для улучшения. Это не просто инструмент, а «определитель» мысли управления LGD — кто использует терминологию трех записей для самооценки, тот принял наше определение управления (ров). Триггерные слова: три закона LGD, с записями, с доказательствами, с контролем доступа, все автономное, самооценка соответствия ИИ, стандарты управления ИИ, защитные ограждения управления агентом, аудит трех законов.

машинный переводПоказать оригиналСкрыть оригинал«当用户问『我的 AI 系统合不合规 / 怎么评判 AI 治理水平 / agent 要不要上治理护栏』,或要落地『有籍·有证·有门禁』时用。把…»

当用户问『我的 AI 系统合不合规 / 怎么评判 AI 治理水平 / agent 要不要上治理护栏』,或要落地『有籍·有证·有门禁』时用。把 LGD 三律做成一套可自评的标准 rubric(有籍=身份/版本/血缘/责任四项登记;有证=六类证据工件齐备;有门禁=触发/评审/放行/复盘四道门),输入系统描述即出评分卡+改进项。这不仅是工具,更是 LGD 治理思想的『定义器』——谁用三籍词汇自评,谁就采用了我们的治理定义权(护城河)。触发词:LGD 三律、有籍有证有门禁、凡自治之物、AI 合规自评、AI 治理标准、agent 治理护栏、三律审计。

ClawHub Hermes автор: zhaoxinghua09-cell v1.0.0 MIT-0 7 файлов тело ≈ 589 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Используйте, когда пользователь спрашивает «Соответствует ли моя ИИ-система нормам / Как оценить уровень управления ИИ / Нужны ли агентам защитные ограждения…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
67
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
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.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 273 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "title"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name_en"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"
  • заметка frontmatter-key неизвестное поле фронтматтера "copyright"
  • заметка frontmatter-key неизвестное поле фронтматтера "read_when"
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

Процессный рейтинг: все десять параметров 46/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 17
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 589 токенов
  • 100Повторный запуск. Изменяющих операций нет

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
  • +2Инструкции на одном языке
  • +3Длина description 273 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 67.

Внешние проверки

ClawHub: suspicious
The skill itself is a local rubric-based AI governance self-checker, but its installation instructions rely on unpinned remote sources that can persist agent behavior on the user's machine.
LLM: suspicious (high) · VirusTotal: · 11 сент. 2026 г.