BD sith-choir
Интеллектуальная ретрансляция между моделями через сеть сохраненных API-ключей (мультипровайдерская, мультиключевая). Диспетчер распределяет работу между хором моделей, доступных через КАЖДЫЙ сохраненный ключ — api_key каждого провайдера и каждая запись alt_api_keys являются собственным отслеживаемым голосом с автоматическим переключением при сбое для каждого ключа — а моделям, которым нужна помощь, отвечают, используя ключи других провайдеров (например, модель с ключом Mistral, которая ограничена по скорости или не уверена, обращается к ключам Gemini и llm7.io). Основные действия: (1) слабые/дешевые модели параллельно генерируют кандидатов, а модель рассуждений агрегирует их (Mixture-of-Agents, arXiv:2406.04692); (2) ретрансляция зрения — вызывающие абоненты, работающие только с текстом, передают изображения голосам, способным обрабатывать изображения (arXiv:2502.16428); (3) обязательная эскалация — низкая уверенность, ошибки или ограничения скорости направляются в суд рассуждений от других провайдеров (каскад FrugalGPT, arXiv:2305.05176); (4) группы судей оценивают от 0 до 10, а постоянный журнал вознаграждений наказывает слабые голоса, в то время как задержки работоспособности ключей вращают нагрузку (arXiv:2306.05685). Плюс голосование по самосогласованности (`consensus`, взвешенное большинство с воздержанием, arXiv:2203.11171 + 2502.06233), независимый состязательный раунд `verify`, цикл пересмотра верификатора (`refine`, Reflexion arXiv:2303.11366), самосовершенствование на основе калибровки (`calibrate`), многооборотная память (`--session`), кэширование ответов на точные вопросы, учет токенов при чтении кэша провайдера + `--budget`, происхождение `runs`/`report` с задержкой, маршрутизация задач по `--lane`, предварительный просмотр `--plan`, машиночитаемый `--json` везде и автономный `selftest`. Используйте, когда у вас много API-ключей, и вы хотите, чтобы каждый из них вносил свой вклад, или когда одна модель не может выполнить всю работу в одиночку.
машинный переводПоказать оригиналСкрыть оригинал«Cross-model intellect relay across a mesh of stored API keys (multi-pr…»
Cross-model intellect relay across a mesh of stored API keys (multi-provider, multi-key). The conductor farms work out to a choir of models reachable via EVERY stored credential — each provider's api_key and each alt_api_keys entry is its own health-tracked voice with automatic per-key failover — and models that need help are answered using other providers' keys (e.g. a Mistral-key model that is rate-limited or unsure consults Gemini and llm7.io keys). Core moves: (1) weak/cheap models sing candidates in parallel and a reasoning model aggregates them (Mixture-of-Agents, arXiv:2406.04692); (2) vision relay — text-only callers hand images to vision-capable voices (arXiv:2502.16428); (3) mandatory escalation — low confidence, errors or rate limits route to a reasoning court from other providers (FrugalGPT cascade, arXiv:2305.05176); (4) judge panels score 0-10 and a persistent reward ledger punishes weak voices while key-health cooldowns rotate load (arXiv:2306.05685). Plus self-consistency voting (`consensus`, weighted plurality with abstention, arXiv:2203.11171 + 2502.06233), an independent adversarial `verify` round, a verifier revision loop (`refine`, Reflexion arXiv:2303.11366), calibration-driven self-improvement (`calibrate`), multi-turn memory (`--session`), exact-question answer caching, provider cache-read token accounting + `--budget`, provenance `runs`/`report` with latency, task `--lane` routing, `--plan` dry-run, machine-readable `--json` everywhere, and offline `selftest`. Use when you hold many API keys and want every one contributing, or when one model cannot do the whole job alone.
Интеллектуальная ретрансляция между моделями через сеть сохраненных API-ключей (мультипровайдерская, мультиключевая).
Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Сократите description до 1024 символов.
- 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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1623 символов, лимит 1024 - заметка
description-budgetdescription занимает 1623 из общего бюджета ~15000 символов на все скиллы - заметка
frontmatter-keyнеизвестное поле фронтматтера "id" - заметка
frontmatter-keyнеизвестное поле фронтматтера "dependencies" - заметка
frontmatter-keyнеизвестное поле фронтматтера "host_compatibility" - заметка
frontmatter-keyнеизвестное поле фронтматтера "categories" - заметка
frontmatter-keyнеизвестное поле фронтматтера "topics" - заметка
frontmatter-keyнеизвестное поле фронтматтера "invariants"
Процессный рейтинг: все десять параметров 43/100
- 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
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 32
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2867 токенов
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
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)
- +3Длина description 1623: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- +2Инструкции на одном языке
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 32 пунктов
- +4Есть примеры (3 блоков кода)
- +3Все 2 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 50.