SKILLEMALL.ai

AC load-testing

Рабочий процесс глубокого нагрузочного тестирования — цели и SLO, моделирование рабочей нагрузки, проектирование сценариев, точность среды, выполнение, интерпретация метрик и устранение узких мест. Используйте при проверке производительности, перед запусками или для воспроизведения задержек под нагрузкой.

машинный переводПоказать оригиналСкрыть оригинал«Deep load testing workflow—goals and SLOs, workload modeling, scenario…»

Deep load testing workflow—goals and SLOs, workload modeling, scenario design, environment fidelity, execution, metrics interpretation, and bottlenecks to fixes. Use when validating capacity, before launches, or reproducing latency under stress.

ClawHub Agent Skills автор: codenova58 v1.0.0 MIT-0 2 файла тело ≈ 1 101 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Рабочий процесс глубокого нагрузочного тестирования — цели и SLO, моделирование рабочей нагрузки, проектирование сценариев, точность среды, выполнение…

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

ПроцедураИнфраструктураДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
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

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 55/100

    • 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
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 85Шаги. Шагов: 36, расплывчатых формулировок: 2
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1101 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Разделов верхнего уровня: 11. 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
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 245 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 20 заголовков
    • +3Пошаговые инструкции: 36 пунктов

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.

    Внешние проверки

    ClawHub: clean
    This is a plain load-testing guidance skill with no bundled executable code, hidden install behavior, or unrelated data access.
    LLM: benign (high) · VirusTotal: benign · 28 мая 2026 г.