SKILLEMALL.ai
EN Войти

AB autoagent

Автоматически улучшайте руководство агента посредством итеративного тестирования и оценки. Используйте, когда вы хотите оптимизировать подсказки, записи AGENTS.md или определения навыков, используя цикл обучения в стиле Карпатого с помощью cron OpenClaw.

машинный переводПоказать оригиналСкрыть оригинал«Automatically improve agent guidance through iterative testing and sco…»

Automatically improve agent guidance through iterative testing and scoring. Use when you want to optimize prompts, AGENTS.md entries, or skill definitions using a Karpathy-style training loop with OpenClaw cron.

ClawHub Agent Skills автор: PeterPCW v0.8.9 MIT-0 10 файлов тело ≈ 2 088 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Автоматически улучшайте руководство агента посредством итеративного тестирования и оценки.

Как процесс B 65/100 · Почти готов — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИИ 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
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
B
65/100
Почти готов
Входы и предусловия вес 11
0
Когда включается вес 12
20
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: 10. 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 65/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
    • 40Результат и критерий готовности. Не сказано, что считать результатом
    • 70Ошибки и развилки. Развилок: 5
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 65
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2088 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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
    • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 211 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 25 заголовков
    • +3Пошаговые инструкции: 65 пунктов
    • +4Есть примеры (6 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.

    Внешние проверки

    ClawHub: clean
    This skill openly sets up a sandboxed, recurring prompt-optimization loop, and its file writes, subagent tests, and optional tool analysis fit that stated purpose.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.