AC cm-data-quality-validator
Проверяйте качество данных в конвейерах, проверяя полноту, согласованность, свежесть, точность и аномалии распределения. Определяйте ожидания, профилируйте распределения данных, обнаруживайте дрейф схемы, выявляйте выбросы и генерируйте отчеты о качестве. Используйте, когда вас просят проверить качество данных, аудировать данные конвейера, проверять полноту данных, обнаруживать аномалии данных, профилировать наборы данных, проверять свежесть данных или настраивать проверки качества данных. Триггеры по запросам "качество данных", "проверка данных", "полнота данных", "свежесть данных", "профилирование данных", "аномалии данных", "согласованность данных", "ожидания данных", "качество конвейера", "great expectations", "аудит данных", "дрейф схемы".
машинный переводПоказать оригиналСкрыть оригинал«Validate data quality in pipelines by checking completeness, consisten…»
Validate data quality in pipelines by checking completeness, consistency, freshness, accuracy, and distribution anomalies. Define expectations, profile data distributions, detect schema drift, identify outliers, and generate quality reports. Use when asked to validate data quality, audit pipeline data, check data completeness, detect data anomalies, profile datasets, review data freshness, or set up data quality checks. Triggers on "data quality", "data validation", "data completeness", "data freshness", "data profiling", "data anomaly", "data consistency", "data expectations", "pipeline quality", "great expectations", "data audit", "schema drift".
Проверяйте качество данных в конвейерах, проверяя полноту, согласованность, свежесть, точность и аномалии распределения.
Как процесс C 51/100 · Есть пробелы — слабые места: входы и предусловия, ошибки и развилки, согласованность
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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
- предупреждение
body-longтело SKILL.md ≈ 5499 токенов (рекомендуется < 5000); вынесите детали в references/
Процессный рейтинг: все десять параметров 51/100
- 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
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (cm-data-quality-validator) не совпадает с папкой (data-quality-validator)
- 60Инструменты и файлы. Используются инструменты (python), 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
- 70Стоимость исполнения. Тело инструкции 5499 токенов
- 100Шаги. Шагов: 17
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)
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 12 примера фраз-триггеров в кавычках
- +3Длина description 656 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 17 заголовков
- +3Пошаговые инструкции: 17 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (11 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 82.