SKILLEMALL.ai

AC github-product-research

Исследует репозитории GitHub как продукты, а не просто ищет код. Используйте, когда Codex должен находить open-source продукты, картировать рынок, сравнивать конкурентов, проверять идею продукта, анализировать сигналы репозиториев и запросов, выявлять неудовлетворенный спрос или заброшенные, но востребованные проекты, и рекомендовать продуктовые возможности для продакт-менеджеров или независимых разработчиков. Поддерживает запросы на китайском и английском языках с двуязычным расширением поиска.

машинный переводПоказать оригиналСкрыть оригинал«Research GitHub repositories as products rather than merely finding co…»

Research GitHub repositories as products rather than merely finding code. Use when Codex needs to discover open-source products, map a market, compare competitors, validate a product idea, analyze repository and issue signals, identify underserved demand or abandoned-but-wanted projects, and recommend product opportunities for product managers or indie builders. Supports Chinese and English requests with bilingual search expansion.

ClawHub Agent Skills автор: margaretzybgl v1.0.1 MIT-0 3 файла тело ≈ 4 555 токенов Открыть источникclawhub.ai проанализирован 28 ч назад

Исследует репозитории GitHub как продукты, а не просто ищет код.

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

АнализаторGitHubРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
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
Повторный запуск вес 4
30
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: 1. 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 52/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 30Повторный запуск. Изменяющих операций: 13, без проверки текущего состояния
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 70Стоимость исполнения. Тело инструкции 4555 токенов
    • 100Шаги. Шагов: 126
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 10. 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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 435 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 126 пунктов
    • +4Есть примеры (0 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

    Внешние проверки

    ClawHub: clean
    This skill gives an agent structured guidance for researching GitHub repositories as product opportunities and does not include hidden execution, persistence, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 31 июл. 2026 г.