SKILLEMALL.ai

AD neuro-symbolic-reasoning

Нейросимволический унифицированный вывод — объединяет «нейронное» (непрерывное представление + сходство = обобщаемое, но непроверяемое) и «символьное» (прямой вывод по правилам Хорна + инварианты = доказуемое, но хрупкое). Один запрос обрабатывается по обеим ветвям одновременно: символьные доказуемые выводы имеют приоритет (verifiable=True), нейронные выводы по ближайшим соседям служат мягкими доказательствами с уровнем достоверности, явное обозначение конфликтов между ветвями для принятия решения верхним уровнем. Применяется в сценариях вывода, требующих «обобщения на невиданные ранее образцы и предоставления проверяемого/опровергаемого вывода» (реляционный вывод, дополнение знаний, доверенные ответы на вопросы, антигаллюцинация).

машинный переводПоказать оригиналСкрыть оригинал«神经符号统一推理——把"神经(连续表征+相似度=可泛化但不可验证)"与"符号(Horn子句前向链+不变量=可证但脆弱)"熔于一炉。同一查询同…»

神经符号统一推理——把"神经(连续表征+相似度=可泛化但不可验证)"与"符号(Horn子句前向链+不变量=可证但脆弱)"熔于一炉。同一查询同时走两侧:符号可证结论优先(verifiable=True),神经近邻结论作为带置信度的软证据,两侧冲突显式标注供上层裁决。适用于需要"既能泛化到未见样本、又能给出可审计/可反例证伪推导"的推理场景(关系推理、知识补全、可信问答、反幻觉)。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 5 файлов тело ≈ 533 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Нейросимволический унифицированный вывод — объединяет «нейронное» (непрерывное представление + сходство = обобщаемое, но непроверяемое) и «символьное» (прямой…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторРазработкаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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.
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")

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 11
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 533 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

  • +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
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 190 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 11 пунктов
  • +4Есть примеры (3 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: suspicious
The skill provides a small neuro-symbolic reasoning demo, but it also adds persistent local learning and self-modification instructions that are broader than the stated reasoning purpose.
LLM: suspicious (high) · 14 авг. 2026 г.