BC lintlang-audit
Проверяет указанный файл конфигурации ИИ-агента, системную подсказку, определение инструмента или инструкцию (YAML, JSON, Markdown, текст или Python) с помощью CLI LintLang в GitHub Copilot CLI. Используйте, когда пользователь просит проверить, проанализировать или просмотреть такой файл на предмет неоднозначных описаний инструментов, отсутствия условий остановки, несоответствий схемы или встроенных подсказок. Детерминированный статический анализ без вызовов модели или сети во время сканирования.
машинный переводПоказать оригиналСкрыть оригинал«Audit a named AI agent config, system prompt, tool definition, or inst…»
Audit a named AI agent config, system prompt, tool definition, or instruction file (YAML, JSON, Markdown, text, or Python) with the released LintLang CLI in GitHub Copilot CLI. Use when the user asks to audit, lint, scan, or review such a file for ambiguous tool descriptions, missing stop conditions, schema mismatches, or embedded prompts. Deterministic static analysis with no model or network call during a scan.
Скилл предлагает статический анализ конфигов ИИ-агентов прямо в Copilot CLI — проверяет схемы, описания инструментов, условия остановки. Один файл, 1687 токенов, без сетевых вызовов и запусков моделей. Оценка B: качество 85, процесс 63. Критических ошибок не нашли, но и не запускали на реальных конфигах — только статика.
Для того, кто аудирует промпты и tool definitions регулярно, это экономит время на ручной разбор YAML и JSON. Работает везде, где есть Copilot CLI. Минус в том, что без прогона на моделях неясно, поймёт ли он реальные проблемы в логике или только синтаксис. Ставить, если нужна первичная фильтрация перед серьёзным тестированием.
Проверяет указанный файл конфигурации ИИ-агента, системную подсказку, определение инструмента или инструкцию (YAML, JSON, Markdown, текст или Python) с…
Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск
Как улучшить
- 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: 1. 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 63/100
- 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
- 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 20
- 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
- 100Стоимость исполнения. Тело инструкции 1687 токенов
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 416 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 20 пунктов
- +4Есть примеры (3 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.