SKILLEMALL.ai

AD herclaw-agentsystem

Фреймворк самосовершенствующегося ИИ-агента с автономным обучением, созданием навыков и самоэволюцией. Особенности: - Цикл обучения: Автономное обучение на основе опыта - Создание навыков: Автоматическая генерация навыков на основе паттернов - Самоэволюция: Непрерывное улучшение на основе RL - Постоянная память: Трехуровневая память между сессиями - Система подталкивания: Проактивные триггеры поведения

машинный переводПоказать оригиналСкрыть оригинал«Self-improving AI agent framework with autonomous learning, skill crea…»

Self-improving AI agent framework with autonomous learning, skill creation, and self-evolution. Features: - Learning Loop: Autonomous learning from experience - Skill Creation: Auto-generate skills from patterns - Self-Evolution: RL-based continuous improvement - Persistent Memory: Cross-session three-layer memory - Nudge System: Proactive behavior triggers

ClawHub Agent Skills автор: yaoo-2818 v1.0.3 MIT-0 13 файлов тело ≈ 3 170 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Фреймворк самосовершенствующегося ИИ-агента с автономным обучением, созданием навыков и самоэволюцией.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторИИ и агентыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 13. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 49/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (herclaw-agentsystem) не совпадает с папкой (agentsystem)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 5
  • 100Стоимость исполнения. Тело инструкции 3170 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

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
  • -34 из 6 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 360 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +3Пошаговые инструкции: 5 пунктов
  • +4Есть примеры (12 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

Внешние проверки

ClawHub: suspicious
This skill is a powerful self-improving agent framework that stores user history, can generate new skills, and includes under-scoped remote sync and deployment paths.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.