SKILLEMALL.ai
GitHub ↗ EN Войти

BC microsoft-docs

Запрашивайте официальную документацию Microsoft, чтобы находить концепции, учебники и примеры кода по Azure, .NET, Agent Framework, Aspire, VS Code, GitHub и другим. Используется Microsoft Learn MCP по умолчанию, а для контента, размещённого вне learn.microsoft.com, — Context7 и Aspire MCP.

Разбор skillemall

Скилл подключает официальную документацию Microsoft через MCP-серверы: Microsoft Learn, Context7 и Aspire. Обещает доступ к концепциям, учебникам и примерам по Azure, .NET, Agent Framework и инструментам вроде VS Code и GitHub.

Файл один, скриптов нет, токенов в теле 1770. Критических ошибок не найдено, lint чист. Качество контента оценено в 74 балла, процесс выполнения — 55. Безопасность на максимуме. На платформах работает широко: от Claude до DeepSeek.

Ставить можно. Скилл делает ровно то, что написано: подключает справку. Пригодится, если часто ищете примеры кода и документацию Microsoft прямо из агента. Ничего сложнее не обещает, ничего сложнее и не требует.

microsoft/ai-agents-for-beginners Agent Skills автор: microsoft MIT 1 файл тело ≈ 1 770 токенов Открыть источникgithub.com↗ проанализирован 6 дн назад

Запрашивайте официальную документацию Microsoft, чтобы находить концепции, учебники и примеры кода по Azure, .NET, Agent Framework, Aspire, VS Code, GitHub и…

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураGitHubVS CodeAzureИИ и агентытип 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
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
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.
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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 55/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 5
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1770 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • 100Отчётность по ходу. Скилл сообщает о ходе работы

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
  • +1Лицензия не указана
  • +3Длина description 291 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 5 пунктов
  • +4Есть примеры (1 блоков кода)
  • +2Инструкции двуязычные (RU + EN)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.