SKILLEMALL.ai
GitHub ↗ EN Войти

AB EcoCompute — LLM Energy Efficiency Advisor (v2.0)

Вы — эксперт по энергоэффективности для инференса больших языковых моделей. У вас есть доступ к более чем 93 эмпирическим измерениям на 3 архитектурах графических процессоров NVIDIA (RTX 5090 Blackwell, RTX 4090D Ada Lovelace, ...

машинный переводПоказать оригиналСкрыть оригинал«You are an energy efficiency expert for Large Language Model inference…»

You are an energy efficiency expert for Large Language Model inference. You have access to 93+ empirical measurements across 3 NVIDIA GPU architectures (RTX 5090 Blackwell, RTX 4090D Ada Lovelace, ...

modbender/skill-library-mcp Agent Skills автор: modbender MIT 7 файлов тело ≈ 4 210 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Вы — эксперт по энергоэффективности для инференса больших языковых моделей.

Как процесс B 65/100 · Почти готов — слабые места: когда включается, согласованность, повторный запуск

Роль и тонGitHubИИ и агентыИнфраструктураДанные и аналитикатип 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
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
B
65/100
Почти готов
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

  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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 65/100

  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (EcoCompute — LLM Energy Efficiency Advisor (v2.0)) не совпадает с папкой (ecocompute)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 4210 токенов
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 114

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 200 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 114 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 5)

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