SKILLEMALL.ai
EN Войти

BD AutoSignals - Autonomous Trading Signal Optimization

Мониторит и управляет автономным исследовательским циклом AutoSignals.

машинный переводПоказать оригиналСкрыть оригинал«Monitors and controls the AutoSignals autonomous research loop.…»

Monitors and controls the AutoSignals autonomous research loop.

ClawHub Agent Skills автор: RunByDaVinci v0.1.0 MIT-0 3 файла тело ≈ 1 084 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Мониторит и управляет автономным исследовательским циклом AutoSignals.

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw 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) Goose OpenCode
JSON
Технический рейтинг
B
83/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
57
Прогон на моделях
не было
Процессный рейтинг
D
48/100
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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "id"
  • заметка frontmatter-key неизвестное поле фронтматтера "last_amended_at"
  • заметка frontmatter-key неизвестное поле фронтматтера "trigger_patterns"
  • заметка frontmatter-key неизвестное поле фронтматтера "pre_conditions"
  • заметка frontmatter-key неизвестное поле фронтматтера "expected_output_format"

Процессный рейтинг: все десять параметров 48/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (AutoSignals - Autonomous Trading Signal Optimization) не совпадает с папкой (autosignals-davinci)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 47
  • 100Стоимость исполнения. Тело инструкции 1084 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы

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)
  • +3Длина description 63: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 47 пунктов
  • +4Есть примеры (9 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 57.

Внешние проверки

ClawHub: suspicious
This skill appears to run an autonomous trading-research loop that edits local files and writes logs continuously, which is not clearly unsafe but needs review before use.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.