SKILLEMALL.ai
GitHub ↗ EN Войти

AC doubleword-batches

Создавайте и управляйте пакетными заданиями вывода с помощью API Doubleword (api.doubleword.ai). Используйте, когда пользователи хотят: (1) обрабатывать несколько запросов ИИ в пакетном режиме, (2) отправлять пакетные файлы JSONL для асинхронного вывода, (3) отслеживать ход выполнения пакетных заданий и получать результаты, (4) работать с пакетными конечными точками, совместимыми с OpenAI, (5) обрабатывать крупномасштабные рабочие нагрузки вывода, не требующие немедленных ответов, (6) использовать вызовы инструментов или структурированные выходные данные в пакетах, (7) автоматически группировать вызовы API с помощью autobatcher.

машинный переводПоказать оригиналСкрыть оригинал«Create and manage batch inference jobs using the Doubleword API (api.d…»

Create and manage batch inference jobs using the Doubleword API (api.doubleword.ai). Use when users want to: (1) Process multiple AI requests in batch mode, (2) Submit JSONL batch files for async inference, (3) Monitor batch job progress and retrieve results, (4) Work with OpenAI-compatible batch endpoints, (5) Handle large-scale inference workloads that don't require immediate responses, (6) Use tool calling or structured outputs in batches, (7) Automatically batch API calls with autobatcher.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 5 файлов тело ≈ 3 446 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Создавайте и управляйте пакетными заданиями вывода с помощью API Doubleword (api.doubleword.ai). Используйте, когда пользователи хотят: (1) обрабатывать…

Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, согласованность, повторный запуск

ИнтеграцияИИ и агентыТексты и документытип 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
95/100
безопасность, качество, тесты
Безопасность 60%
96
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Отчётность по ходу вес 2
0
Когда включается вес 12
20
Повторный запуск вес 4
30
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 · 4

    ✓ Критических и высоких находок нет

    Средние и низкие: 4
    • низкая Секреты в коде secret-high-entropy-token references/pricing.md:16
      Строка, похожая на токен (может быть id, хеш или секрет)
      ### Qwen…FP8 (Mid-Size Model)
    • низкая Секреты в коде secret-high-entropy-token references/pricing.md:32
      Строка, похожая на токен (может быть id, хеш или секрет)
      ### Qwen…FP8 (Flagship Model)
    • низкая Секреты в коде secret-high-entropy-token SKILL.md:37
      Строка, похожая на токен (может быть id, хеш или секрет)
      **Qwen…FP8** (mid-size):
    • низкая Секреты в коде secret-high-entropy-token SKILL.md:42
      Строка, похожая на токен (может быть id, хеш или секрет)
      **Qwen…FP8** (flagship):

    Просканировано файлов: 5. 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 57/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 8, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (doubleword-batches) не совпадает с папкой (doubleword)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 85Шаги. Шагов: 93, расплывчатых формулировок: 1
    • 100Стоимость исполнения. Тело инструкции 3446 токенов
    • low Разделов верхнего уровня: 12. 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 498 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 24 заголовков
    • +3Пошаговые инструкции: 93 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (18 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.