SKILLEMALL.ai

AA neuralmind

Отвечает на вопросы о репозитории кода примерно за 800 токенов вместо загрузки более 50 000 токенов необработанного исходного кода. Используйте всякий раз, когда пользователь спрашивает, как что-то работает, где что-то определено, кто что вызывает, или для изучения незнакомого файла. Предоставляет постепенное раскрытие контекста (уровень 0: идентификация → уровень 1: архитектура → уровень 2: релевантные кластеры → уровень 3: семантический поиск) и граф изученных синапсов для извлечения на основе использования.

машинный переводПоказать оригиналСкрыть оригинал«Answer questions about a code repository in ~800 tokens instead of loa…»

Answer questions about a code repository in ~800 tokens instead of loading 50,000+ tokens of raw source. Use whenever the user asks how something works, where something is defined, who calls what, or to explore an unfamiliar file. Provides progressive context disclosure (L0 identity → L1 architecture → L2 relevant clusters → L3 semantic search) and a learned synapse graph for usage-based recall.

ClawHub Agent Skills автор: dfrost v1.0.0 MIT-0 2 файла тело ≈ 2 100 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Отвечает на вопросы о репозитории кода примерно за 800 токенов вместо загрузки более 50 000 токенов необработанного исходного кода.

Как процесс A 84/100 · Дойдёт до конца — трудных мест не видно

СправочникРазработкаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
85
Прогон на моделях
не было
Процессный рейтинг
A
84/100
Дойдёт до конца
Инструменты и файлы вес 18
60
Результат и критерий готовности вес 14
60
Входы и предусловия вес 11
70
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

    • заметка frontmatter-key неизвестное поле фронтматтера "triggers"
    • заметка frontmatter-key неизвестное поле фронтматтера "allowed_tools"
    • заметка frontmatter-key неизвестное поле фронтматтера "runtime"

    Процессный рейтинг: все десять параметров 84/100

    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 13
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2100 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 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)
    • +2Инструкции на одном языке
    • +3Длина description 398 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 10 заголовков
    • +3Пошаговые инструкции: 13 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (6 блоков кода)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.

    Внешние проверки

    ClawHub: clean
    This is a disclosed local code-retrieval skill with broad code-question triggers and persistent project memory that users should understand before installing.
    LLM: benign (high) · VirusTotal: · 26 авг. 2026 г.