SKILLEMALL.ai
EN Войти

AB huawei-cloud-cce-change-impact-analyzer

Навык анализа влияния изменений в Huawei Cloud CCE, который преобразует "что изменилось до инцидента" в доказуемую причинно-следственную связь. Используйте этот навык, когда инцидент CCE может быть вызван недавними изменениями, включая выпуск рабочих нагрузок, обновления ConfigMap/Secret, изменения маршрутов Service/Ingress/Gateway, изменения NetworkPolicy/RBAC/политики безопасности, метки узлов или инфраструктурные изменения, и пользователю нужен полный отчет в формате Markdown с временной шкалой, матрицей доказательств, радиусом поражения, оценкой риска и заключением. Триггер: "анализ влияния изменений", "变更影响分析", "риск изменений", "变更风险", "влияние развертывания", "发布影响", "изменение конфигурации", "配置变更", "изменение сетевой политики", "网络策略变更", "изменение метки узла", "节点污点变更", "радиус поражения", "爆炸半径", "недавние изменения", "近期变更", "корреляция журналов аудита", "审计日志关联"

машинный переводПоказать оригиналСкрыть оригинал«Huawei Cloud CCE change impact analysis skill that converts "what chan…»

Huawei Cloud CCE change impact analysis skill that converts "what changed before the incident" into provable causal attribution. Use this skill when a CCE incident may be caused by recent changes, including workload releases, ConfigMap/Secret updates, Service/Ingress/Gateway route changes, NetworkPolicy/RBAC/security policy changes, node taints or infrastructure changes, and the user needs a complete Markdown report with timeline, evidence matrix, blast radius, risk score, and conclusion. Trigger: "change impact analysis", "变更影响分析", "change risk", "变更风险", "deployment impact", "发布影响", "config change", "配置变更", "network policy change", "网络策略变更", "node taint change", "节点污点变更", "blast radius", "爆炸半径", "recent changes", "近期变更", "audit log correlation", "审计日志关联"

ClawHub Agent Skills автор: shijingcheng v0.1.1 MIT-0 53 файла тело ≈ 4 272 токенов Открыть источникclawhub.ai↗ проанализирован 21 ч назад

Навык анализа влияния изменений в Huawei Cloud CCE, который преобразует "что изменилось до инцидента" в доказуемую причинно-следственную связь.

Как процесс B 68/100 · Почти готов — слабые места: повторный запуск

ГенераторKubernetesИнфраструктуратип 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
96/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
B
68/100
Почти готов
Повторный запуск вес 4
30
Когда включается вес 12
50
Ошибки и развилки вес 10
50
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 · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1

    ✓ Guard не нашёл подозрительного поведения. 1 совпадений — это строки атак, процитированные в документации самого скилла по безопасности.

    Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "id"

    Процессный рейтинг: все десять параметров 68/100

    • 30Повторный запуск. Изменяющих операций: 8, 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 (bash, web, python, node), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 70Стоимость исполнения. Тело инструкции 4272 токенов
    • 100Шаги. Шагов: 56
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
    • 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • -31 из 2 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 14 примера фраз-триггеров в кавычках
    • +3Длина description 765 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 19 заголовков
    • +3Пошаговые инструкции: 56 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.

    Внешние проверки

    ClawHub: suspicious
    The skill presents itself as read-only analysis, but its bundled dispatcher exposes many cloud and Kubernetes administration actions, so it should be reviewed carefully before installation.
    LLM: suspicious (high) · VirusTotal: · 16 июн. 2026 г.