SKILLEMALL.ai
GitHub ↗ EN Войти

BC lora-training

Обучите LoRA для модели изображений или видео — человека, питомца, продукта, стиля или движения — при этом агент выполняет все подготовительные шаги, а ПОЛЬЗОВАТЕЛЬ утверждает набор данных перед началом обучения. Используйте для "обучи LoRA моей собаки", "создай стиль LoRA по этим картинкам", "научи Wan этому движению", "дообучи Z-Image / FLUX.2 / Qwen-Image / LTX на моих фото", "создай LoRA персонажа", "не переобучается ли моя LoRA", "останови обучение", "как идет обучение".

машинный переводПоказать оригиналСкрыть оригинал«Train a LoRA for an image or video model - a person, pet, product, sty…»

Train a LoRA for an image or video model - a person, pet, product, style or motion - with the agent doing every preparation step and the USER approving the dataset before anything trains. Use for "train a LoRA of my dog", "make a style LoRA from these pictures", "teach Wan this motion", "fine-tune Z-Image / FLUX.2 / Qwen-Image / LTX on my photos", "make a character LoRA", "is my LoRA overfitting", "stop the training", "how is the training going".

szprivate/agentY Agent Skills автор: szprivate 1 файл тело ≈ 1 857 токенов Открыть источникgithub.com↗ проанализирован 36 ч назад

Обучите LoRA для модели изображений или видео — человека, питомца, продукта, стиля или движения — при этом агент выполняет все подготовительные шаги, а…

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторДанные и аналитикаИИ 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
B
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
85
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
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 · 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 58/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 55Ошибки и развилки. Развилок: 1
    • 100Инструменты и файлы. Инструменты объявлены во frontmatter
    • 100Шаги. Шагов: 13
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1857 токенов
    • 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

    • +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
    • +5В description 8 примера фраз-триггеров в кавычках
    • +3Длина description 450 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 13 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.