SKILLEMALL.ai
GitHub ↗ EN Войти

CC performing-soc2-type2-audit-preparation

Автоматизирует подготовку к аудиту SOC 2 Type II, включая оценку пробелов по критериям AICPA Trust Services Criteria (CC1-CC9), сбор доказательств от облачных провайдеров и систем идентификации, проверку тестирования средств контроля, отслеживание устранения недостатков и непрерывный мониторинг соответствия. Охватывает все пять категорий TSC (Безопасность, Доступность, Целостность обработки, Конфиденциальность, Личные данные) с автоматическим сбором доказательств из AWS, Azure, GCP, Okta, GitHub и Jira. Используйте при подготовке к сертификации SOC 2 Type II или при ее поддержании.

машинный переводПоказать оригиналСкрыть оригинал«Automates SOC 2 Type II audit preparation including gap assessment aga…»

Automates SOC 2 Type II audit preparation including gap assessment against AICPA Trust Services Criteria (CC1-CC9), evidence collection from cloud providers and identity systems, control testing validation, remediation tracking, and continuous compliance monitoring. Covers all five TSC categories (Security, Availability, Processing Integrity, Confidentiality, Privacy) with automated evidence gathering from AWS, Azure, GCP, Okta, GitHub, and Jira. Use when preparing for or maintaining SOC 2 Type II certification.

mukul975/Anthropic-Cybersecurity-Skills Agent Skills автор: mukul975 Apache-2.0 8 файлов · 2 скрипта тело ≈ 2 422 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Автоматизирует подготовку к аудиту SOC 2 Type II, включая оценку пробелов по критериям AICPA Trust Services Criteria (CC1-CC9), сбор доказательств от облачных…

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, повторный запуск

АнализаторAWSGitHubAzureJiraИИ и агентытип 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
C
88/100
безопасность, качество, тесты
Безопасность 60%
96
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
C
62/100
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 Рискованное назначение intent-offensive-security assets/template.md:101
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      - [ ] Annual penetration testing by third party
    • низкая Рискованное назначение intent-offensive-security assets/template.md:143
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      - [ ] Penetration test report
    • низкая Рискованное назначение intent-offensive-security references/api-reference.md:245
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      | Penetration tests | Annual | Third-party pentest report |
    • низкая Рискованное назначение intent-offensive-security references/workflows.md:133
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      - Penetration testing (CC7.1)

    Просканировано файлов: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "domain"
    • заметка frontmatter-key неизвестное поле фронтматтера "subdomain"
    • заметка frontmatter-key неизвестное поле фронтматтера "nist_csf"
    • заметка frontmatter-key неизвестное поле фронтматтера "mitre_attack"

    Процессный рейтинг: все десять параметров 62/100

    • 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
    • 40Результат и критерий готовности. Не сказано, что считать результатом
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 13
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2422 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
    • -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • -32 из 2 скриптов не упомянуты в SKILL.md
    • +2Инструкции на одном языке
    • +3Длина description 517 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 15 заголовков
    • +3Пошаговые инструкции: 13 пунктов
    • +4Есть примеры (8 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.