SKILLEMALL.ai
GitHub ↗ EN Войти

AA ai-product-canvas

Структурируйте решения по продуктам ИИ и МО с такой же строгостью, как и любые продуктовые решения. Используйте при создании функций на базе ИИ, оценке интеграций LLM, проектировании продуктов ИИ или оценке готовности к ИИ. Создает полный холст продукта ИИ, охватывающий определение проблемы, подход к модели, требования к данным, структуру оценки, дизайн UX, контрольный список ответственного ИИ и план мониторинга запуска.

машинный переводПоказать оригиналСкрыть оригинал«Structure AI and ML product decisions with the rigour of any product d…»

Structure AI and ML product decisions with the rigour of any product decision. Use when building AI-powered features, evaluating LLM integrations, designing AI products, or assessing AI readiness. Produces a complete AI product canvas covering problem definition, model approach, data requirements, evaluation framework, UX design, responsible AI checklist, and launch monitoring plan.

mohitagw15856/pm-claude-skills Agent Skills автор: mohitagw15856 MIT 1 файл тело ≈ 1 629 токенов Открыть источникgithub.com↗ проанализирован 3 дн назад

Структурируйте решения по продуктам ИИ и МО с такой же строгостью, как и любые продуктовые решения.

Как процесс A 80/100 · Дойдёт до конца — слабые места: когда включается

ИнтеграцияИнфраструктураИИ и агентыДизайнтип и темы размечены автоматически по тексту скилла
Запускается в: 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) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
83
Прогон на моделях
не было
Процессный рейтинг
A
80/100
Дойдёт до конца
Когда включается вес 12
20
Ошибки и развилки вес 10
50
Входы и предусловия вес 11
70
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: ai-product-canvas (mohitagw15856/pm-claude-skills)

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: 1. 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 80/100

    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 85Шаги. Шагов: 58, расплывчатых формулировок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Результат и критерий готовности. Формат результата и критерий готовности описаны
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1629 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 385 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 15 заголовков
    • +3Пошаговые инструкции: 58 пунктов
    • +3Формат ответа описан явно

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.