SKILLEMALL.ai
EN Войти

BC content-final-supervisor

Единый входной пункт для финальной проверки контента (CP-01), подключение к quality-supervisor-mcp, для финальной проверки качества сценариев/раскадровок/видео, проверки по «красной линии» и согласованности между этапами, а также арбитража финальной проверки. Триггеры: финальная проверка/надзор качества/финальный контроль качества/supervise/final_check/финальная проверка контента/финальная проверка веб-комиксов

машинный переводПоказать оригиналСкрыть оригинал«内容终检统一入口(CP-01),连接quality-supervisor-mcp,对剧本/分镜/视频三阶段执行质量终检+红线检查+跨阶段一致…»

内容终检统一入口(CP-01),连接quality-supervisor-mcp,对剧本/分镜/视频三阶段执行质量终检+红线检查+跨阶段一致性+终审仲裁。触发:终检/质量监督/质量终检/supervise/final_check/内容审核终检/漫剧终检

ClawHub Agent Skills автор: 天轰穿 v1.0.1 MIT-0 7 файлов тело ≈ 1 029 токенов Открыть источникclawhub.ai↗ проанализирован 22 ч назад

Единый входной пункт для финальной проверки контента (CP-01), подключение к quality-supervisor-mcp, для финальной проверки качества…

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИИ и агентытип 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
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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: 7. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "tools"
  • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"

Процессный рейтинг: все десять параметров 58/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 25
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1029 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
  • -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 126 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 25 пунктов
  • +4Есть примеры (5 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
The skill is a disclosed Chinese-language content final-review workflow that routes review material to a configured quality-supervisor MCP service, with no hidden install behavior or local persistence found.
LLM: benign (medium) · VirusTotal: · 15 авг. 2026 г.