SKILLEMALL.ai
GitHub ↗ EN Войти

AC pinchbench

Запуск бенчмарков PinchBench для оценки производительности агентов OpenClaw в реальных задачах. Используйте при тестировании возможностей моделей, сравнении моделей, отправке результатов бенчмарков в таблицу лидеров или проверке того, насколько хорошо ваша настройка OpenClaw справляется с календарем, электронной почтой, исследованиями, программированием и многоэтапными рабочими процессами.

машинный переводПоказать оригиналСкрыть оригинал«Run PinchBench benchmarks to evaluate OpenClaw agent performance acros…»

Run PinchBench benchmarks to evaluate OpenClaw agent performance across real-world tasks. Use when testing model capabilities, comparing models, submitting benchmark results to the leaderboard, or checking how well your OpenClaw setup handles calendar, email, research, coding, and multi-step workflows.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 36 файлов · 1 скрипт тело ≈ 977 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Запуск бенчмарков PinchBench для оценки производительности агентов OpenClaw в реальных задачах.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

АнализаторРазработкаИИ и агентыЛичная продуктивностьтип 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
91/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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 · 2

    ✓ Критических и высоких находок нет

    Средние и низкие: 2
    • низкая Секреты в коде secret-password-literal tasks/task_12_skill_search.md:35
      Захардкоженный пароль / ключ (возможно, пример)
      password: dev_…123
    • низкая Секреты в коде secret-password-literal tasks/task_12_skill_search.md:43
      Захардкоженный пароль / ключ (возможно, пример)
      password: dev_…123

    Просканировано файлов: 36. 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 51/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 11
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 977 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
    • -35 из 6 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 303 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 11 пунктов
    • +4Есть примеры (3 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.