SKILLEMALL.ai
EN Войти

BA huawei-cloud-cce-metric-analyzer

Анализ метрик Huawei Cloud CCE с использованием Python-диспетчера и запросов к облачным сервисам на основе hcloud. Используйте этот навык, когда пользователь хочет: (1) запрашивать метрики CPU, памяти, диска, QPS, задержки, запросов, соединений, сертификатов, масштабирования или частоты ошибок для Pod/Node/CoreDNS/nginx-ingress/autoscaler/control-plane, (2) получать рейтинги TopN по использованию ресурсов, (3) запрашивать метрики облачных ресурсов ECS/ELB/EIP/NAT, (4) агрегировать данные мониторинга кластера с обнаружением аномалий, (5) обнаруживать аномалии ресурсов на основе пороговых значений. Триггер: пользователь упоминает "metric analysis", "指标分析", "CCE metrics", "CCE 指标", "AOM metrics", "AOM 指标", "CoreDNS metrics", "CoreDNS 指标", "nginx ingress metrics", "nginx-ingress 指标", "autoscaler metrics", "autoscaler 指标", "HPA metrics", "HPA 指标", "apiserver metrics", "etcd metrics", "controller manager metrics", "scheduler metrics", "control plane metrics", "控制面指标", "certificate expiration", "证书过期", "resource metrics", "资源指标", "CPU usage", "CPU 使用率", "memory usage", "内存使用率", "performance monitoring", "性能监控", "TopN", "resource ranking", "资源排名"

машинный переводПоказать оригиналСкрыть оригинал«Huawei Cloud CCE Metric analysis skill using the Python dispatcher wit…»

Huawei Cloud CCE Metric analysis skill using the Python dispatcher with hcloud-backed cloud service queries. Use this skill when the user wants to: (1) query Pod/Node/CoreDNS/nginx-ingress/autoscaler/control-plane CPU, memory, disk, QPS, latency, request, connection, certificate, scaling, or error-rate metrics, (2) get resource usage TopN rankings, (3) query ECS/ELB/EIP/NAT cloud resource metrics, (4) aggregate cluster monitoring data with anomaly detection, (5) detect threshold-based resource anomalies. Trigger: user mentions "metric analysis", "指标分析", "CCE metrics", "CCE 指标", "AOM metrics", "AOM 指标", "CoreDNS metrics", "CoreDNS 指标", "nginx ingress metrics", "nginx-ingress 指标", "autoscaler metrics", "autoscaler 指标", "HPA metrics", "HPA 指标", "apiserver metrics", "etcd metrics", "controller manager metrics", "scheduler metrics", "control plane metrics", "控制面指标", "certificate expiration", "证书过期", "resource metrics", "资源指标", "CPU usage", "CPU 使用率", "memory usage", "内存使用率", "performance monitoring", "性能监控", "TopN", "resource ranking", "资源排名"

ClawHub Agent Skills автор: huaweicloud-skills-team v1.0.0 MIT-0 23 файла тело ≈ 7 350 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Анализ метрик Huawei Cloud CCE с использованием Python-диспетчера и запросов к облачным сервисам на основе hcloud.

Как процесс A 83/100 · Дойдёт до конца — слабые места: повторный запуск, отчётность по ходу

АнализаторKubernetesДанные и аналитикатип 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
84/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
60
Прогон на моделях
не было
Процессный рейтинг
A
83/100
Дойдёт до конца
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Инструменты и файлы вес 18
60
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Сократите description до 1024 символов.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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: 23. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • ошибка description-long description 1054 символов, лимит 1024
  • предупреждение body-long тело SKILL.md ≈ 7350 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "id"

Процессный рейтинг: все десять параметров 83/100

  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (bash, web, python, node), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 7350 токенов
  • 100Шаги. Шагов: 66
  • 100Результат и критерий готовности. Формат результата и критерий готовности описаны
  • 100Когда включается. Сказано, когда применять и когда не применять
  • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (13 тегов): типизированный вызов надёжнее

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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 1053: рекомендуется 120–800 символов
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 25 примера фраз-триггеров в кавычках
  • +4Структура: 39 заголовков
  • +3Пошаговые инструкции: 66 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (10 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (8 из 8)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 60.

Внешние проверки

ClawHub: suspicious
The skill is mostly a disclosed read-only monitoring tool, but it needs review because it can obtain Kubernetes access material and read TLS Secret objects while handling cloud credentials.
LLM: suspicious (high) · 21 июл. 2026 г.