SKILLEMALL.ai
EN Войти

BC morgana-anti-infinite-loop-v2-en

Легковесная защита от бесконечного цикла для LLM-агентов — исправление > остановка, предиктивная, без зависимостей, 9 уровней защиты. Автономный пакет (stdlib + numpy опционально), работает с любым LLM (Claude/GPT/Llama/Mistral), любой оболочкой (Hermes/LangChain/AutoGen/custom). Версия 1 была встречена скромно; v2.0 переработана для сообщества. Примечание: 12.8K относится к нашему профилю ClawHub kofna3369 целиком, а не конкретно к v1. Английский релиз.

машинный переводПоказать оригиналСкрыть оригинал«Lightweight anti-infinite-loop guard for LLM agents — healing > kill,…»

Lightweight anti-infinite-loop guard for LLM agents — healing > kill, predictive, zero-dep, 9 layers of protection. Standalone package (stdlib + numpy optional), works with any LLM (Claude/GPT/Llama/Mistral), any harness (Hermes/LangChain/AutoGen/custom). v1 had a modest reception; v2.0 is rebuilt for the community. Note: 12.8K refers to our whole kofna3369 ClawHub profile, not to v1 specifically. English release.

ClawHub Agent Skills автор: Kofna3369 v2.0.1 MIT-0 24 файла тело ≈ 5 832 токенов Открыть источникclawhub.ai↗ проанализирован 15 ч назад

Легковесная защита от бесконечного цикла для LLM-агентов — исправление > остановка, предиктивная, без зависимостей, 9 уровней защиты.

Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИИ и агентытип 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
83/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
58
Прогон на моделях
не было
Процессный рейтинг
C
52/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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.
  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: 20. 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")
  • предупреждение body-long тело SKILL.md ≈ 5832 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "status"
  • заметка frontmatter-key неизвестное поле фронтматтера "date"
  • заметка frontmatter-key неизвестное поле фронтматтера "clawhub_id"
  • заметка frontmatter-key неизвестное поле фронтматтера "language"
  • заметка frontmatter-key неизвестное поле фронтматтера "python"
  • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"
  • заметка frontmatter-key неизвестное поле фронтматтера "optional_dependencies"

Процессный рейтинг: все десять параметров 52/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 5832 токенов
  • 100Шаги. Шагов: 67
  • 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 19. 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
  • -255 эмодзи в инструкциях: шум для модели
  • +2Инструкции на одном языке
  • +3Длина description 417 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 47 заголовков
  • +3Пошаговые инструкции: 67 пунктов
  • +4Есть примеры (29 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 58.

Внешние проверки

ClawHub: clean
This is a coherent anti-loop helper that runs locally and stores loop fingerprints, but users should be aware it can retain small samples of agent actions on disk.
LLM: benign (high) · VirusTotal: · 9 июн. 2026 г.