SKILLEMALL.ai

AB curiosity-engine

Улучшение рассуждений на основе любопытства для агентов OpenClaw. Активируется, когда агенту нужно исследовать открытые вопросы, изучать незнакомые темы, расследовать аномалии или когда пользователь просит провести глубокий анализ. Внедряет структурированное любопытство в процесс рассуждений: самовопросы, оспаривание предположений, обнаружение пробелов в информации и исследование с помощью инструментов. Используйте, когда задачи требуют глубины, а не скорости, при столкновении с неожиданной информацией или когда явно просят «копнуть глубже» / «исследовать» / «проявить любопытство».

машинный переводПоказать оригиналСкрыть оригинал«Curiosity-driven reasoning enhancement for OpenClaw agents. Activates…»

Curiosity-driven reasoning enhancement for OpenClaw agents. Activates when the agent needs to explore open-ended questions, research unfamiliar topics, investigate anomalies, or when the user asks for deep analysis. Injects structured curiosity behaviors into the reasoning process: self-questioning, assumption challenging, information gap detection, and tool-driven exploration. Use when tasks require depth over speed, when encountering surprising information, or when explicitly asked to "dig deeper" / "explore" / "be curious".

modbender/skill-library-mcp Agent Skills автор: modbender MIT 4 файла тело ≈ 1 343 токенов Открыть источникgithub.com проанализирован 2 дн назад

Улучшение рассуждений на основе любопытства для агентов OpenClaw.

Как процесс B 77/100 · Почти готов — слабые места: входы и предусловия

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
85
Прогон на моделях
не было
Процессный рейтинг
B
77/100
Почти готов
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
55
Результат и критерий готовности вес 14
60
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: 4. 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 77/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 55Ошибки и развилки. Развилок: 1
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 85Шаги. Шагов: 56, расплывчатых формулировок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1343 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • -42 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • -31 из 1 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 3 примера фраз-триггеров в кавычках
    • +3Длина description 532 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 56 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (1 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.