SKILLEMALL.ai
EN Войти

BF pugongying-data-skills

Набор навыков инженера по разработке данных Puhuiying — комплексная экосистема ИИ-навыков, разработанная для инженеров по разработке данных. Включает 7 основных модулей: анализ требований, проектирование архитектуры, моделирование данных, разработка SQL, ETL-конвейер, качество данных, тестирование данных. Активируется, когда пользователю требуется комплексное решение для разработки данных, создание хранилища данных, разработка ETL, оптимизация SQL, управление качеством данных. Триггеры: разработка данных, хранилище данных, ETL, оптимизация SQL, качество данных, моделирование данных, анализ требований, проектирование архитектуры.

машинный переводПоказать оригиналСкрыть оригинал«蒲公英数据开发工程师Skill套件 - 专为数据开发工程师设计的完整AI Skill生态系统。 包含7个核心模块：需求分析、架构设计、数据建…»

蒲公英数据开发工程师Skill套件 - 专为数据开发工程师设计的完整AI Skill生态系统。 包含7个核心模块：需求分析、架构设计、数据建模、SQL开发、ETL Pipeline、数据质量、数据测试。 当用户需要端到端数据开发解决方案、数据仓库建设、ETL开发、SQL优化、数据质量管理时触发。 触发词：数据开发、数据仓库、ETL、SQL优化、数据质量、数据建模、需求分析、架构设计。

ClawHub Agent Skills автор: ShiXiangYu2 v1.0.1 MIT-0 58 файлов тело ≈ 1 452 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Набор навыков инженера по разработке данных Puhuiying — комплексная экосистема ИИ-навыков, разработанная для инженеров по разработке данных.

Как процесс F 35/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/requirement-standards.md, references/architecture-standards.md, references/data-modeling-standards.md

ПроцедураДанные и аналитикаИнфраструктуратип 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
B
83/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
58
Прогон на моделях
не было
Процессный рейтинг
F
35/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/requirement-standards.md, references/architecture-standards.md, references/data-modeling-standards.md
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: 12. 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: references/requirement-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/architecture-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/data-modeling-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/sql-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/etl-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/data-quality-standards.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/test-standards.md

Процессный рейтинг: все десять параметров 35/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/requirement-standards.md, references/architecture-standards.md, references/data-modeling-standards.md
  • 0Инструменты и файлы. Не хватает 7 файла(ов): references/requirement-standards.md, references/architecture-standards.md, references/data-modeling-standards.md
  • 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: 35
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1452 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 12. 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

  • +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
  • -214 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 193 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 29 заголовков
  • +3Пошаговые инструкции: 35 пунктов
  • +4Есть примеры (7 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 58.

Внешние проверки

ClawHub: suspicious
This is a coherent data-engineering skill suite, but it asks for broad write, shell, agent, database, and deployment-oriented authority without enough scoping or confirmation guidance.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.