SKILLEMALL.ai

AC data-quality-validator

Набор инструментов для проверки качества и профилирования данных в табличных данных. Используйте при проверке полноты данных, обнаружении аномалий, проверке схем, профилировании наборов данных или оценке чистоты данных. Триггеры на фразы вроде "data quality", "data validation", "schema validation", "data profiling", "missing data", "anomaly detection", "data completeness", "dirty data".

машинный переводПоказать оригиналСкрыть оригинал«Data quality validation and profiling toolkit for tabular data. Use wh…»

Data quality validation and profiling toolkit for tabular data. Use when checking data completeness, detecting anomalies, validating schemas, profiling datasets, or assessing data cleanliness. Triggers on phrases like "data quality", "data validation", "schema validation", "data profiling", "missing data", "anomaly detection", "data completeness", "dirty data".

ClawHub Agent Skills автор: Lv Lancer v1.0.0 MIT-0 10 файлов тело ≈ 322 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Набор инструментов для проверки качества и профилирования данных в табличных данных.

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

АнализаторДанные и аналитикаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
96
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: 9. 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
    • 40Согласованность. Имя во frontmatter (data-quality-validator) не совпадает с папкой (data-validator-pro)
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 9
    • 100Стоимость исполнения. Тело инструкции 322 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

    • +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
    • +5В description 8 примера фраз-триггеров в кавычках
    • +3Длина description 363 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 5 заголовков
    • +3Пошаговые инструкции: 9 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 3 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.

    Внешние проверки

    ClawHub: clean
    This is a straightforward local data-quality toolkit with no evidence of hidden network access, credential use, persistence, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.