SKILLEMALL.ai

AC fanout-orchestrator

Распределяет параллельные подзадачи между специализированными агентами (исследователь/аналитик/писатель/кодер) вместо последовательной обработки в одном цикле. Используйте, когда задача естественным образом разлагается на 2+ независимых потока — многостороннее исследование, параллельные обзоры, синтез из нескольких источников, веерное расследование, пакетный анализ. Работает на OpenProse VM. Триггеры: 'fan out', 'parallel', 'in parallel', 'split this across', 'have X and Y both look at', 'multi-angle review', 'research N things at once'.

машинный переводПоказать оригиналСкрыть оригинал«Dispatch parallel sub-tasks across specialized agents (researcher/anal…»

Dispatch parallel sub-tasks across specialized agents (researcher/analyst/writer/coder) instead of serializing through one loop. Use when a task naturally decomposes into 2+ independent streams — multi-angle research, parallel reviews, multi-source synthesis, fan-out investigation, batch analysis. Backed by OpenProse VM. Triggers: 'fan out', 'parallel', 'in parallel', 'split this across', 'have X and Y both look at', 'multi-angle review', 'research N things at once'.

ClawHub Agent Skills автор: oonyl v1.0.0 MIT-0 2 файла тело ≈ 728 токенов Открыть источникclawhub.ai проанализирован 21 ч назад

Распределяет параллельные подзадачи между специализированными агентами (исследователь/аналитик/писатель/кодер) вместо последовательной обработки в одном цикле.

Как процесс C 52/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

АнализаторРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
C
52/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
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: 2. 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

    • 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
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Шаги. Шагов: 13
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 728 токенов

    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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 471 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 13 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (2 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: clean
    This skill is a small orchestration guide for running independent subtasks in parallel, with no bundled executable code or hidden data handling.
    LLM: benign (high) · VirusTotal: · 9 июл. 2026 г.