SKILLEMALL.ai

AC ipo-model

Модель рекурсивного вложенного модели обработки ввода-вывода — первоэлементы всего и модель мира. Все задачи могут быть разложены на рекурсивную вложенную структуру ВВОД→ОБРАБОТКА→ВЫВОД, любой узел любого уровня может быть далее развернут в под-IPO. При неиспользовании инструментов: используйте IPO для анализа проблем, генерации результатов (чистый когнитивный вывод). При использовании инструментов: на основе результатов анализа IPO, далее используйте IPO для генерации команд, скриптов, вызова Tool / Skill / MCP. Уровни вызова инструментов: command → script → Tool → Skill → MCP, последовательно повышаясь от простого к сложному. Этот навык является единой методологией познания и преобразования мира, применимой ко всем типам задач.

машинный переводПоказать оригиналСкрыть оригинал«输入处理输出结构递归嵌套模型 — 万物基元与世界模型。 一切任务均可分解为 输入→处理→输出 的递归嵌套结构,任意层级的任意节点均可继续展开…»

输入处理输出结构递归嵌套模型 — 万物基元与世界模型。 一切任务均可分解为 输入→处理→输出 的递归嵌套结构,任意层级的任意节点均可继续展开为子IPO。 不使用工具时:用IPO分析问题、生成产物(纯认知输出)。 使用工具时:在IPO分析产物基础上,进一步用IPO生成命令、脚本,调用 Tool / Skill / MCP。 工具调用层级:command → script → Tool → Skill → MCP,由简到繁逐级升级。 此技能是认知世界和改造世界的统一方法论,适用于所有类型的任务。

ClawHub Agent Skills автор: 波动几何 v1.0.0 MIT-0 3 файла тело ≈ 1 548 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Модель рекурсивного вложенного модели обработки ввода-вывода — первоэлементы всего и модель мира.

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

СправочникИИ и агентыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
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

  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: 3. 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")

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: 6
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1548 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 248 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 23 заголовков
  • +3Пошаговые инструкции: 6 пунктов
  • +4Есть примеры (14 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: suspicious
The skill does not show malicious behavior, but its very broad scope and under-specified examples could lead an agent to modify files or handle private data without enough safeguards.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.