SKILLEMALL.ai
EN Войти

BF flagrelease-entrance-flagos

Оркестратор полного конвейера FlagRelease. Выполняет полный конвейер развертывания, верификации и бенчмаркинга LLM для многочиповых GPU-бэкендов. Последовательно выполняет: install-stack → env-verify → model-verify → perf-test, передавая состояние между шагами и производя окончательный структурированный отчет. Предполагается, что gpu-container-setup (Шаг 1) уже выполнен — должен существовать работающий контейнер с PyTorch + доступом к GPU.

машинный переводПоказать оригиналСкрыть оригинал«Full FlagRelease pipeline orchestrator. Runs the complete LLM deployme…»

Full FlagRelease pipeline orchestrator. Runs the complete LLM deployment, verification, and benchmarking pipeline for multi-chip GPU backends. Executes: install-stack → env-verify → model-verify → perf-test in sequence, passing state between steps and producing a final structured report. Assumes gpu-container-setup (Step 1) is already done — a running container with PyTorch + GPU access must exist.

ClawHub Agent Skills автор: Flagos v1.0.0 MIT-0 3 файла тело ≈ 1 752 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Оркестратор полного конвейера FlagRelease.

Как процесс F 40/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: scripts/collect_env_info.py, scripts/detect_network.py, scripts/select_flagtree_wheel.py

ПроцедураИнфраструктуратип 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
82/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
F
40/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: scripts/collect_env_info.py, scripts/detect_network.py, scripts/select_flagtree_wheel.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Широкие права средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.

Автору

Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • средняя Широкие права meta-broad-allowed-tools SKILL.md:1
    Заранее разрешены широкие инструменты: Bash(*)
    allowed-tools: Bash(*) Read Edit Write Glob Grep WebSearch WebFetch AskUserQuestion Agent

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")
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/collect_env_info.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/detect_network.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/select_flagtree_wheel.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/validate_packages.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/run_offline_inference.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/test_serve_mode.py
  • предупреждение missing-ref ссылка на отсутствующий файл: references/error-classification.md
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/diff_analysis.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/run_all_benchmarks.py
  • заметка frontmatter-key неизвестное поле фронтматтера "user-invokable"

Процессный рейтинг: все десять параметров 40/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: scripts/collect_env_info.py, scripts/detect_network.py, scripts/select_flagtree_wheel.py
  • 0Инструменты и файлы. Не хватает 9 файла(ов): scripts/collect_env_info.py, scripts/detect_network.py, scripts/select_flagtree_wheel.py
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 31
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1752 токенов

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 401 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 31 пунктов
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.

Внешние проверки

ClawHub: clean
This skill openly describes a GPU-container LLM deployment pipeline, and its Docker, package install, model download, and benchmarking actions fit that purpose.
LLM: benign (medium) · 28 мая 2026 г.