SKILLEMALL.ai

AC learning-builder

Персонализированный конструктор учебных пакетов для китайских создателей контента. Используйте, когда Codex должен превратить расплывчатую учебную цель в выполнимый учебный план: сначала создать профиль учащегося и уточнить цели, затем провести исследование авторитетных источников, и, наконец, создать учебный пакет (включая упражнения, ритм, контрольные точки, источники), который можно изучать, анализировать и использовать. Применяется для изучения новой области, создания личных курсов, проведения тематических тренингов, преобразования входных данных в материалы для письма; не применяется для одноразовых ответов на вопросы или чистого веб-дизайна.

машинный переводПоказать оригиналСкрыть оригинал«Personalized learning-pack builder for Chinese creators. Use when Code…»

Personalized learning-pack builder for Chinese creators. Use when Codex needs to turn a vague learning goal into a可执行学习方案:先做学习者画像与目标澄清,再做权威来源优先的资料研究,最后产出可学习、可复盘、可输出的教程包(含练习、节奏、里程碑、引用来源)。适用于学习某个新领域、搭建个人课程、做主题集训、把输入转成可写作素材;不适用于一次性问答或纯网页设计任务。

ClawHub Agent Skills автор: cellinlab v0.1.0 MIT-0 7 файлов тело ≈ 462 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Персонализированный конструктор учебных пакетов для китайских создателей контента.

Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

ПроцедураИнфраструктураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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: 7. 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 57/100

    • 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 (learning-builder) не совпадает с папкой (cell-learning-builder)
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 57
    • 100Стоимость исполнения. Тело инструкции 462 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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 239 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 12 заголовков
    • +3Пошаговые инструкции: 57 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: clean
    This is a text-only learning-plan skill that asks relevant learner questions and produces Chinese learning packs with citations.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.