SKILLEMALL.ai
EN Войти

BD ai-observability

Практическое руководство по наблюдаемости и мониторингу производственных процессов приложений ИИ — «приборная панель и прожектор» для ИИ после вывода в продакшн: панорама наблюдаемости (три столпа: журналы/метрики/трассировка + специфичные для ИИ объекты наблюдения), трассировка вызовов и стандарты ведения журналов (трассировка вызовов LLM, проектирование Span, трассировка на уровне сеанса, фильтрация конфиденциальной информации), метрики контроля качества (панель мониторинга в реальном времени: коэффициент галлюцинаций/отказов/удовлетворенности/перевода на оператора), мониторинг производительности и затрат (отслеживание задержки/пропускной способности/стоимости токенов в реальном времени), защита и мониторинг безопасности (коэффициент срабатывания защиты/обнаружение инъекций/утечка конфиденциальных данных), система оповещений (многоуровневые оповещения/проектирование порогов/маршрутизация уведомлений/управление усталостью от оповещений), платформа мониторинга и внедрение (стандарты маркировки/выбор инструментов/мониторинг в период постепенного внедрения). Включает бесплатный локальный инструмент для однократного создания списка трех столпов, таблицы метрик мониторинга, дизайна оповещений, стандартов трассировки и плана внедрения. Предназначено для руководителей платформ ИИ, SRE, эксплуатации и качества — дополняет оценку LLM (офлайн-качество), этот навык управляет качеством в реальном времени.

машинный переводПоказать оригиналСкрыть оригинал«AI 应用可观测性与生产监控实操手册——AI 进生产后的"仪表盘与探照灯"：可观测性全景（三大支柱：日志/指标/追踪 + AI 特有观测对象…»

AI 应用可观测性与生产监控实操手册——AI 进生产后的"仪表盘与探照灯"：可观测性全景（三大支柱：日志/指标/追踪 + AI 特有观测对象）、调用追踪与日志规范（LLM 调用追踪、Span 设计、会话级追踪、敏感信息过滤）、质量监控指标（幻觉率/拒答率/满意度/转人工率实时看板）、性能与成本监控（延迟/吞吐/Token 成本实时追踪）、护栏与安全监控（护栏命中率/注入检测/敏感数据泄漏监控）、告警体系（分级告警/阈值设计/通知路由/告警疲劳治理）、监控平台与落地（埋点规范/工具选型/灰度期监控）。附零依赖本地工具一键出三大支柱清单、监控指标表、告警设计、追踪规范与落地路线。面向 AI 平台、SRE、运维与质量负责人——与 LLM 评测（离线质量）互补，本技能管线上运行质量。

ClawHub Hermes автор: zhaoxinghua09-cell v1.0.0 MIT-0 18 файлов тело ≈ 537 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Практическое руководство по наблюдаемости и мониторингу производственных процессов приложений ИИ — «приборная панель и прожектор» для ИИ после вывода в…

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

ПроцедураИнфраструктураИИ 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 342 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 537 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 342 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 local AI observability guide with simple offline helper scripts and no evidence of hidden data access, networking, persistence, or destructive behavior.
LLM: benign (high) · VirusTotal: · 27 авг. 2026 г.