SKILLEMALL.ai
EN Войти

AC Incident Replay Agent Failure Forensics

Пост-мортем анализ сбоев AI-агентов. Захват состояния, реконструкция временных линий, выявление первопричин. Когда ваш агент выходит из строя, вы будете знать, что произошло, почему и как этого избежать.

машинный переводПоказать оригиналСкрыть оригинал«Post-mortem analysis for AI agent failures. Capture state, reconstruct…»

Post-mortem analysis for AI agent failures. Capture state, reconstruct timelines, identify root causes. When your agent breaks, know what happened, why, and how to prevent it.

ClawHub Agent Skills автор: Shadow Rose v1.0.6 MIT-0 10 файлов тело ≈ 2 317 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Пост-мортем анализ сбоев AI-агентов.

Как процесс C 57/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, согласованность

АнализаторGitHubИИ 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
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
80
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Согласованность вес 8
40
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: 10. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)

    Процессный рейтинг: все десять параметров 57/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 40Согласованность. Имя во frontmatter (Incident Replay Agent Failure Forensics) не совпадает с папкой (incident-replay)
    • 55Ошибки и развилки. Развилок: 1
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 48
    • 100Стоимость исполнения. Тело инструкции 2317 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • 100Отчётность по ходу. Скилл сообщает о ходе работы
    • low Разделов верхнего уровня: 13. 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
    • +2Инструкции на одном языке
    • +3Длина description 175 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 48 пунктов
    • +4Есть примеры (2 блоков кода)
    • +1Лицензия указана

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

    Внешние проверки

    ClawHub: clean
    This is a local forensic debugging skill that intentionally captures and stores workspace snapshots, so it is sensitive but coherent with its stated purpose.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.