SKILLEMALL.ai
EN Войти

BC causal_chain_analyzer

Анализирует и отслеживает причинно-следственные связи в графах знаний для выявления первопричин, отслеживания последующих воздействий и понимания зависимостей. Поддерживает несколько алгоритмов обхода, обнаружение циклов, оценку вероятностной причинности и стратегии ранжирования цепочек.

машинный переводПоказать оригиналСкрыть оригинал«Analyze and trace cause-effect chains in knowledge graphs to identify…»

Analyze and trace cause-effect chains in knowledge graphs to identify root causes, trace downstream impacts, and understand dependencies. Supports multiple traversal algorithms, cycle detection, probabilistic causality scoring, and chain ranking strategies.

ClawHub Hermes автор: Muhammad Asif v1.0.0 MIT-0 6 файлов тело ≈ 2 947 токенов Открыть источникclawhub.ai↗ проанализирован 14 ч назад

Анализирует и отслеживает причинно-следственные связи в графах знаний для выявления первопричин, отслеживания последующих воздействий и понимания зависимостей.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, согласованность

АнализаторИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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: 6. 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-long-hermes description 257 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • заметка frontmatter-key неизвестное поле фронтматтера "title"

Процессный рейтинг: все десять параметров 51/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (causal_chain_analyzer) не совпадает с папкой (causal-chain-analyzer)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, python, node), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 85Шаги. Шагов: 100, расплывчатых формулировок: 1
  • 100Стоимость исполнения. Тело инструкции 2947 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • 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
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • -31 из 1 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 257 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 53 заголовков
  • +3Пошаговые инструкции: 100 пунктов
  • +4Есть примеры (15 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
This skill is a coherent local causal-graph analysis helper and does not show evidence of hidden network access, credential use, persistence, purchases, or destructive behavior.
LLM: benign (high) · VirusTotal: · 7 июн. 2026 г.