SKILLEMALL.ai
GitHub ↗ EN Войти

CC xberg-batch-extraction

Используйте для извлечения данных из множества файлов одновременно с общей конфигурацией, ограниченным параллелизмом, переопределением для отдельных файлов и восстановлением после ошибок. Охватывает команду `batch`, `--file-configs`, `--max-concurrent` и макет вывода.

машинный переводПоказать оригиналСкрыть оригинал«Use when extracting from many files at once with shared config, bounde…»

Use when extracting from many files at once with shared config, bounded parallelism, per-file overrides, and error recovery. Covers the `batch` command, `--file-configs`, `--max-concurrent`, and output layout.

xberg-io/xberg Agent Skills автор: xberg-io MIT 2 файла тело ≈ 1 281 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Используйте для извлечения данных из множества файлов одновременно с общей конфигурацией, ограниченным параллелизмом, переопределением для отдельных файлов и…

Как процесс C 63/100 · Есть пробелы — слабые места: входы и предусловия, отчётность по ходу

ПроцедураPDFExcelИИ 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
82/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
54
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Ошибки и развилки вес 10
50
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: xberg-batch-extraction (xberg-io/xberg)

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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • ошибка name-missing SKILL.md: нет поля name во фронтматтере
    • заметка frontmatter-key неизвестное поле фронтматтера "type"
    • заметка frontmatter-key неизвестное поле фронтматтера "title"
    • заметка frontmatter-key неизвестное поле фронтматтера "x-ai-rulez"

    Процессный рейтинг: все десять параметров 63/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 85Шаги. Шагов: 4, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1281 токенов
    • 100Повторный запуск. Изменяющих операций нет

    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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 209 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 10 заголовков
    • +3Пошаговые инструкции: 4 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (11 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 54.