SKILLEMALL.ai
GitHub ↗ EN Войти

BF japanese-tutor

Интерактивный помощник по изучению японского языка. Поддерживает словарный запас, грамматику, викторины, ролевые игры, анализ материалов PDF/DOCX для помощи в учебе/домашних заданиях и OCR-перевод.

машинный переводПоказать оригиналСкрыть оригинал«Interactive Japanese learning assistant. Supports vocabulary, grammar,…»

Interactive Japanese learning assistant. Supports vocabulary, grammar, quizzes, roleplay, PDF/DOCX material parsing for study/homework help, and OCR translation.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 9 файлов тело ≈ 724 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Интерактивный помощник по изучению японского языка.

Как процесс F 38/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/lesson_X.md, scripts/parse_pdf.py

ПроцедураWordОбучениеТексты 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
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
F
38/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/lesson_X.md, scripts/parse_pdf.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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: 9. 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")
  • предупреждение missing-ref ссылка на отсутствующий файл: references/lesson_X.md
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/parse_pdf.py

Процессный рейтинг: все десять параметров 38/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/lesson_X.md, scripts/parse_pdf.py
  • 0Инструменты и файлы. Не хватает 2 файла(ов): references/lesson_X.md, scripts/parse_pdf.py
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 55Ошибки и развилки. Развилок: 1
  • 100Шаги. Шагов: 22
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 724 токенов

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
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 161 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 22 пунктов
  • +4Справочные файлы упоминаются в инструкциях (2 из 5)
  • +3Все 3 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.