SKILLEMALL.ai
GitHub ↗ EN Войти

BC benchmark

Сравнивает один сеанс (или небольшую недавнюю группу) со средним значением на основе данных Agent Monitor — стоимость, общее количество токенов, количество инструментов и оценка сложности рабочего процесса — и сообщает, на каком месте по процентилю находится каждая метрика в популяции. Показывает, был ли сеанс обычным, дешевым или аномальным. Используйте при оценке того, был ли сеанс типичным или нестандартным.

машинный переводПоказать оригиналСкрыть оригинал«Benchmark one session (or a small recent set) against the rolling aver…»

Benchmark one session (or a small recent set) against the rolling average using Agent Monitor data — cost, total tokens, tool count, and workflow complexity score — and report where each metric lands as a percentile of the population. Tells you whether a session was normal, cheap, or an outlier. Use when judging whether a session was typical or out of band.

hoangsonww/Claude-Code-Agent-Monitor Agent Skills автор: hoangsonww 2 файла тело ≈ 733 токенов Открыть источникgithub.com↗ проанализирован 26 ч назад

Сравнивает один сеанс (или небольшую недавнюю группу) со средним значением на основе данных Agent Monitor — стоимость, общее количество токенов, количество…

Как процесс C 62/100 · Есть пробелы — слабые места: когда включается, ошибки и развилки, отчётность по ходу

ПроцедураДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
83
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 2. 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 62/100

    • 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 (web), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 14
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 733 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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 359 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +3Формат ответа описан явно

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.