SKILLEMALL.ai
GitHub ↗ EN Войти

AC deepwiki

Запрашивает DeepWiki MCP для получения ответов, основанных на ИИ, о любом общедоступном репозитории GitHub. Используйте при ответах на вопросы об исходном коде репозитория, его архитектуре, конфигурации или внутренних компонентах. Активируется при упоминании «how does X work in <repo>», «deepwiki», «look up in codebase», «ask deepwiki», «check the source code».

машинный переводПоказать оригиналСкрыть оригинал«Query DeepWiki MCP to get AI-grounded answers about any public GitHub…»

Query DeepWiki MCP to get AI-grounded answers about any public GitHub repository. Use when answering questions about a repo's source code, architecture, configuration, or internals. Triggers on "how does X work in <repo>", "deepwiki", "look up in codebase", "ask deepwiki", "check the source code".

modbender/skill-library-mcp Agent Skills автор: modbender MIT 6 файлов · 1 скрипт тело ≈ 1 235 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Запрашивает DeepWiki MCP для получения ответов, основанных на ИИ, о любом общедоступном репозитории GitHub.

Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, согласованность, отчётность по ходу

ПроцедураGitHubРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Отчётность по ходу вес 2
0
Результат и критерий готовности вес 14
40
Согласованность вес 8
40
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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "triggers"

    Процессный рейтинг: все десять параметров 63/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 40Результат и критерий готовности. Не сказано, что считать результатом
    • 40Согласованность. Имя во frontmatter (deepwiki) не совпадает с папкой (deepwiki-mcp)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 85Шаги. Шагов: 28, расплывчатых формулировок: 1
    • 100Стоимость исполнения. Тело инструкции 1235 токенов
    • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
    • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

    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)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 5 примера фраз-триггеров в кавычках
    • +3Длина description 298 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 14 заголовков
    • +3Пошаговые инструкции: 28 пунктов
    • +4Есть примеры (2 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.