SKILLEMALL.ai

AC opmc-expert-committee

Навык дистилляции знаний от экспертного комитета OPC, объединяющий мыслительные рамки 11 ведущих мировых экспертов, для предоставления многомерной профессиональной поддержки принятия решений. Используйте, когда пользователю нужна экспертная точка зрения, экспертный комитет, профессиональная поддержка принятия решений, многосторонний анализ, стратегические обсуждения, оценка рисков, разработка бизнес-моделей, планирование технической архитектуры, позиционирование бренда, проверка соответствия, инновации продуктов, маркетинговые стратегии, креативные тексты, эстетика дизайна и т. д. Ключевые слова для активации: эксперт, экспертный комитет, Кевин Келли, У Сяобо, Лю Рунь, Гун Юйчжэнь, Ли Цзяошоу, Джин Цян Дашу, Эндрю Ын, Дайсон, Ло Сян, Дун Дун Цян, Харава Таданори, стратегические обсуждения, поддержка принятия решений, многосторонний взгляд, дистилляция знаний.

машинный переводПоказать оригиналСкрыть оригинал«OPC专家委员会知识蒸馏技能,汇聚11位全球顶级专家的思维框架,提供多维度专业决策支持。当用户需要专家视角、专家委员会、专业决策支持、多角度…»

OPC专家委员会知识蒸馏技能,汇聚11位全球顶级专家的思维框架,提供多维度专业决策支持。当用户需要专家视角、专家委员会、专业决策支持、多角度分析、战略研讨、风险评估、商业模式设计、技术架构规划、品牌定位、合规审查、产品创新、营销策略、文案创意、设计美学等场景时使用。触发关键词:专家、专家委员会、凯文凯利、吴晓波、刘润、宫玉振、李叫兽、金枪大叔、吴恩达、戴森、罗翔、东东枪、原研哉、战略研讨、决策支持、多视角、知识蒸馏

ClawHub Agent Skills автор: golngod v1.1.0 MIT-0 16 файлов тело ≈ 775 токенов Открыть источникclawhub.ai проанализирован 14 ч назад

Навык дистилляции знаний от экспертного комитета OPC, объединяющий мыслительные рамки 11 ведущих мировых экспертов, для предоставления многомерной…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

Процедуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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

  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: 16. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 9
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 775 токенов
  • 100Повторный запуск. Изменяющих операций нет

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 209 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +3Пошаговые инструкции: 9 пунктов
  • +4Есть примеры (2 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 14)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: clean
This is a markdown-only Chinese decision-support skill with broad triggers and some aggressive marketing advice, but no hidden execution, data access, persistence, or exfiltration.
LLM: benign (high) · VirusTotal: · 15 июл. 2026 г.