BB ai-guardian
Используйте этот навык, когда пользователю требуется наблюдать или управлять локальными LLM на конечной точке, работающими на Ollama, llama.cpp (llama-server), LM Studio или локальном одноузловом vLLM — инвентаризация установленных/работающих моделей с вердиктом разрешено/запрещено (обнаружение теневого ИИ), проверка использования VRAM, лицензии/параметров/возможностей модели и версии сервера, просмотр политики модели, обнаружение происхождения модели/дрейфа хеша (перезагруженные или подделанные веса; надежно для Ollama/llama.cpp, только по ID и честно слабее для LM Studio/vLLM), сканирование запроса на наличие секретов / PII / исходного кода / джейлбрейка с взвешенной полосой риска, маршрутизация запроса ЧЕРЕЗ защиту, которая сканирует + разрешает по политике + записывает + запускает, если разрешено (guarded_generate / observe_chat), запрос журнала наблюдаемого использования и сводка аномалий (теневые модели, дрейф хеша, высокий риск + заблокированные запросы). Всегда используйте этот навык для "what local models are installed", "find shadow / unsanctioned AI models", "which model is loaded in VRAM", "scan this prompt for secrets/PII before sending", "stop secrets leaking into a local model", "block a prompt with an API key", "detect a jailbreak / prompt injection", "set a model allowlist / denylist", "detect a tampered / re-pulled model", "audit local LLM usage", "guard my llama.cpp / LM Studio / local vLLM endpoint", или "the complement to IGEL AI Armor". НЕ используйте для КЛАСТЕРОВ GPU-инференса (многоузловые / масштабируемые vLLM / Ray serving) — это для ЛОКАЛЬНЫХ LLM на одной конечной точке; направляйте работу кластера/сервиса на inference-aiops. Также не для гипервизоров, хранилищ, резервного копирования, Kubernetes или сетевых устройств. Пассивный аудит инвентаризации/состояния плюс опциональное управление контентом через маршрутизацию, со встроенным механизмом управления (аудит, политика, бюджет токенов, отмена, уровни риска). Прозрачный прокси-перехват находится в дорожной карте v0.2.
машинный переводПоказать оригиналСкрыть оригинал«Use this skill whenever the user needs to observe or govern on-endpoin…»
Use this skill whenever the user needs to observe or govern on-endpoint local LLMs running on Ollama, llama.cpp (llama-server), LM Studio, or a local single-node vLLM — inventory installed/running models with an allow/deny verdict (shadow-AI detection), inspect VRAM residency, model license/params/capabilities and server version, view the model policy, detect model provenance/digest drift (re-pulled or tampered weights; strong for Ollama/llama.cpp, id-only and honestly weaker for LM Studio/vLLM), scan a prompt for secrets / PII / source-code / jailbreak with a weighted risk band, route a prompt THROUGH a guard that scans + policy-gates + records + runs-if-allowed (guarded_generate / observe_chat), query the observed-usage log, and roll up anomalies (shadow models, digest drift, high-risk + blocked prompts). Always use this skill for "what local models are installed", "find shadow / unsanctioned AI models", "which model is loaded in VRAM", "scan this prompt for secrets/PII before sending", "stop secrets leaking into a local model", "block a prompt with an API key", "detect a jailbreak / prompt injection", "set a model allowlist / denylist", "detect a tampered / re-pulled model", "audit local LLM usage", "guard my llama.cpp / LM Studio / local vLLM endpoint", or "the complement to IGEL AI Armor". Do NOT use for GPU inference CLUSTERS (multi-node / fleet-scale vLLM / Ray serving) — this is for single-endpoint LOCAL LLMs; point cluster/serving work to inference-aiops. Also not for hypervisors, storage, backup, Kubernetes, or network devices. Passive inventory/state auditing plus opt-in route-through content governance, with a bundled governance harness (audit, policy, token budget, undo, risk-tiers). A transparent capture proxy is v0.2 roadmap.
Используйте этот навык, когда пользователю требуется наблюдать или управлять локальными LLM на конечной точке, работающими на Ollama, llama.cpp…
Как процесс B 71/100 · Почти готов — слабые места: результат и критерий готовности, входы и предусловия
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.
Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.
Как улучшить
- Сократите description до 1024 символов.
- 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 · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
средняя Широкие права
meta-broad-allowed-toolsSKILL.md:1Заранее разрешены широкие инструменты: Bashallowed-tools: Bash
Просканировано файлов: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1771 символов, лимит 1024 - заметка
description-budgetdescription занимает 1771 из общего бюджета ~15000 символов на все скиллы - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "summary" - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage" - заметка
frontmatter-keyнеизвестное поле фронтматтера "installer"
Процессный рейтинг: все десять параметров 71/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 55Ошибки и развилки. Развилок: 1
- 100Инструменты и файлы. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 41
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2816 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- low Ответ описан самодельной разметкой (4 тегов): типизированный вызов надёжнее
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
- +3Длина description 1770: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +5В description 12 примера фраз-триггеров в кавычках
- +4Описание говорит, когда скилл НЕ применять
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 41 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 4)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.