SKILLEMALL.ai
EN Войти

BD ai-llmops

Практическое руководство по управлению полным жизненным циклом ИИ-моделей и активов (LLMOps) — от «модель используется» до «активы четко определены»: обзор активов и реестр (регистрация пяти типов активов: модели/промпты/базы знаний/наборы оценок/конфигурации агентов), карточки моделей и регистрация (поля карточки модели, процесс регистрации, управление метаданными), управление версиями (версионирование моделей/промптов/баз знаний, поэтапное развертывание, откат в один клик), управление выпуском и снятием с эксплуатации (утверждение выпуска, вывод из эксплуатации, утилизация и миграция), мониторинг дрейфа (дрейф данных/концептуальный дрейф/дрейф модели, метрики мониторинга и пороговые значения оповещения), управление затратами (расчет стоимости токенов, контроль бюджета, многоуровневая маршрутизация, снижение затрат за счет дистилляции и кэширования), система управления и процессы (роли и обязанности, рабочий процесс утверждения, аудит). Прилагается список для инвентаризации активов в один клик без зависимостей, шаблон карточки модели, проверка жизненного цикла, основные моменты мониторинга дрейфа и список управления затратами. Предназначен для руководителей ИИ-платформ, инженеров, эксплуатации и финансов — дополняет корпоративное управление ИИ (управление политиками), этот навык управляет активами и инженерией.

машинный переводПоказать оригиналСкрыть оригинал«AI 模型与资产全生命周期管理（LLMOps）实操手册——从"有模型在用"到"资产清清楚楚"：资产全景与台账（模型/Prompt/知识库/评…»

AI 模型与资产全生命周期管理（LLMOps）实操手册——从"有模型在用"到"资产清清楚楚"：资产全景与台账（模型/Prompt/知识库/评估集/Agent 配置五类资产登记）、模型卡与注册（Model Card 字段规范、注册流程、元数据管理）、版本管理（模型/Prompt/知识库版本化、灰度发布、一键回滚）、上线下线管理（上线审批、退役下线、废弃处置与迁移）、漂移监控（数据漂移/概念漂移/模型漂移、监控指标与告警阈值）、成本治理（Token 成本核算、预算控制、路由分层、蒸馏与缓存降本）、治理制度与流程（角色职责、审批流、审计留痕）。附零依赖本地工具一键出盘点清单、模型卡模板、生命周期检查、漂移监控要点与成本治理清单。面向 AI 平台、工程、运维与财务负责人——与企业 AI 治理（管制度）互补，本技能管资产与工程。

ClawHub Hermes автор: zhaoxinghua09-cell v1.0.0 MIT-0 18 файлов тело ≈ 549 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Практическое руководство по управлению полным жизненным циклом ИИ-моделей и активов (LLMOps) — от «модель используется» до «активы четко определены»: обзор…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
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.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 364 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "title"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_en"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 15
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 549 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
  • +2Инструкции на одном языке
  • +3Длина description 364 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 15 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (8 из 8)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.

Внешние проверки

ClawHub: clean
This skill is a disclosed LLMOps guidance package with a local checklist CLI and no evidence of hidden access, networking, credentials, or persistence.
LLM: benign (high) · VirusTotal: · 27 авг. 2026 г.