SKILLEMALL.ai

BF emergent-collective-intelligence

Оркестрация эмерджентного коллективного интеллекта — оркеструет разнообразную группу агентов (с различными смещениями/стратегиями), достигая коллективного решения (проверяемая инженерия группового разума), превосходящего любого отдельного агента, посредством взаимного исправления ошибок и взвешенной агрегации разнообразия. Встроенное определение эмерджентности: коллективная ошибка количественно подтверждается как превосходящая индивидуальную, если она меньше ошибки лучшего индивидуального агента. Применяется для слияния оценок нескольких экспертов, интегрального принятия решений, снижения системных смещений и слепых зон одномодельных систем, надежного прогнозирования и т. д.

машинный переводПоказать оригиналСкрыть оригинал«涌现集体智能编排——编排一个多样化 agent 群体(偏置/策略各异),通过相互纠错加多样性加权稳健聚合,涌现出超越任一个体的集体解(群体智…»

涌现集体智能编排——编排一个多样化 agent 群体(偏置/策略各异),通过相互纠错加多样性加权稳健聚合,涌现出超越任一个体的集体解(群体智慧的可验证工程化)。内置涌现判定:当集体误差小于最好单体误差即量化确认群体超越个体。适用于多专家估计融合、集成决策、降低单模型系统性偏置与盲区、稳健预测等场景。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 479 токенов Открыть источникclawhub.ai проанализирован 35 ч назад

Оркестрация эмерджентного коллективного интеллекта — оркеструет разнообразную группу агентов (с различными смещениями/стратегиями), достигая коллективного…

Как процесс F 35/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: 集体是否优于最好单体

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
F
35/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: 集体是否优于最好单体
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • предупреждение missing-ref ссылка на отсутствующий файл: 集体是否优于最好单体

Процессный рейтинг: все десять параметров 35/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: 集体是否优于最好单体
  • 0Инструменты и файлы. Не хватает 1 файла(ов): 集体是否优于最好单体
  • 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
  • 100Шаги. Шагов: 12
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 479 токенов
  • 100Повторный запуск. Изменяющих операций нет

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 150 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +4Есть примеры (3 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
The skill’s main aggregation tool is ordinary local code, but it also adds a persistent learning system that stores preferences, errors, notes, and usage history beyond the core stated purpose.
LLM: suspicious (high) · 14 авг. 2026 г.