SKILLEMALL.ai

AB game-design-player-persona-extractor

Извлекает идеального игрового персонажа и анти-персонажа для игры, функции, цикла или структуры прогрессии на основе самого дизайна. Используйте, когда команда может описать механику, но не может четко сформулировать, для кого предназначен дизайн, какие мотивации и терпимости игрока он удовлетворяет, каких игроков он оттолкнет или как соответствие аудитории должно формировать решения по дизайну. Сосредоточьтесь в первую очередь на поведенческих и мотивационных персонах, и опционально добавляйте гипотезы о демографии или соответствии рынку, когда пользователь явно запрашивает этот уровень.

машинный переводПоказать оригиналСкрыть оригинал«Extract the ideal player persona and anti-persona for a game, feature,…»

Extract the ideal player persona and anti-persona for a game, feature, loop, or progression structure based on the design itself. Use when a team can describe mechanics but cannot clearly articulate who the design is truly for, which player motivations and tolerances it suits, which players it will alienate, or how audience fit should shape design decisions. Focus on behavioral and motivational personas first, and optionally add demographic or market-fit hypotheses when the user explicitly asks for that layer.

ClawHub Agent Skills автор: Stanislav Stankovic v1.0.0 MIT-0 5 файлов тело ≈ 2 799 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Извлекает идеального игрового персонажа и анти-персонажа для игры, функции, цикла или структуры прогрессии на основе самого дизайна.

Как процесс B 73/100 · Почти готов — слабые места: входы и предусловия, повторный запуск, отчётность по ходу

Роль и тонМаркетингИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
B
73/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
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: 5. 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 73/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Ошибки и развилки. Развилок: 9
    • 85Шаги. Шагов: 145, расплывчатых формулировок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2799 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 515 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 31 заголовков
    • +3Пошаговые инструкции: 145 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: clean
    This is a text-only game design analysis skill that stays focused on extracting player personas and does not request sensitive access or install code.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.