SKILLEMALL.ai
GitHub ↗ EN Войти

AC pick-next-issue

Получить и ранжировать открытые GitHub issues по вовлеченности сообщества, представить топ-3 кандидата и спланировать реализацию выбранного issue. Используйте, когда пользователь просит «выбрать следующий issue», «следующий issue», «над каким issue мне работать», «топ issues», «самые популярные issues», «приоритизировать issues» или «над чем мне работать дальше».

машинный переводПоказать оригиналСкрыть оригинал«Fetch and rank open GitHub issues by community engagement, present the…»

Fetch and rank open GitHub issues by community engagement, present the top 3 candidates, and plan implementation for the selected issue. Use when the user asks to "pick next issue", "next issue", "which issue should I work on", "top issues", "most popular issues", "prioritize issues", or "what should I work on next".

tobihagemann/turbo Agent Skills автор: tobihagemann MIT 1 файл тело ≈ 517 токенов Открыть источникgithub.com↗ проанализирован 5 ч назад

Получить и ранжировать открытые GitHub issues по вовлеченности сообщества, представить топ-3 кандидата и спланировать реализацию выбранного issue.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураGitHubтип 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
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: pick-next-issue (tobihagemann/turbo)

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 53/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, web), но во frontmatter они не объявлены
    • 60Ошибки и развилки. Развилок: 2
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 85Шаги. Шагов: 11, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 517 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 7 примера фраз-триггеров в кавычках
    • +3Длина description 318 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 7 заголовков
    • +3Пошаговые инструкции: 11 пунктов
    • +4Есть примеры (2 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.