SKILLEMALL.ai

AC decision-framework

Анализ фреймворков принятия решений. Предоставляет различные классические модели принятия решений (SWOT, правило 10-10-10, дерево решений, взвешенная оценка, матрица Эйзенхауэра) для помощи пользователям в структурированном мышлении. Используйте, когда пользователь просит помощи в принятии решения, анализе вариантов, оценке выбора или говорит «纠结», «要不要», «怎么选», «帮我分析», «决策», «SWOT», «10-10-10», «weighted scoring», «decision tree», «priority matrix».

машинный переводПоказать оригиналСкрыть оригинал«决策框架分析技能。提供多种经典决策模型(SWOT、10-10-10 法则、决策树、加权打分、Eisenhower 矩阵)帮助用户结构化思考。…»

决策框架分析技能。提供多种经典决策模型(SWOT、10-10-10 法则、决策树、加权打分、Eisenhower 矩阵)帮助用户结构化思考。Use when user asks for help making a decision, analyzing options, evaluating choices, or says "纠结"、"要不要"、"怎么选"、"帮我分析"、"决策"、"SWOT"、"10-10-10"、"weighted scoring"、"decision tree"、"priority matrix".

ClawHub Agent Skills автор: Criss_Su v1.0.0 MIT-0 5 файлов тело ≈ 1 000 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Анализ фреймворков принятия решений.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

Генератортип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
96
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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

    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 53/100

    • 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
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 46
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1000 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 4 примера фраз-триггеров в кавычках
    • +3Длина description 264 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 23 заголовков
    • +3Пошаговые инструкции: 46 пунктов
    • +4Есть примеры (9 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.

    Внешние проверки

    ClawHub: clean
    The skill appears to be a decision-support helper with an over-broad trigger note, but no evidence of hidden access, persistence, destructive behavior, or data exfiltration.
    LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.