AC harness
База знаний по инженерии, ориентированной на агентов, основанная на статье Harness Engineering от OpenAI. Используйте этот навык, когда пользователь спрашивает о: разработке, ориентированной на агентов, рабочих процессах агентов, как структурировать кодовые базы для ИИ-агентов, управлении контекстом для агентов, лучших практиках AGENTS.md, проверке кода агентов, автономных агентах кодирования, архитектуре, управляемой агентами, инженерии Codex, как работать с ИИ-агентами кодирования, принципах инженерии агентов, прогрессивном раскрытии информации в документации, архитектурных ограничениях для агентов, стратегии устойчивости к ошибкам, сборке технического долга, наблюдаемости, доступной для агентов, циклах самопроверки, стратегии слияния для систем агентов с высокой пропускной способностью, 智能体工程, 智能体优先开发, 智能体驱动编程, AGENTS.md 设计, 上下文管理, 智能体自主性, 代码库对智能体可读, harness engineering, 渐进式披露, 架构约束早期化, 错误容忍策略, 技术债务垃圾回收, 合并策略, 智能体自我审查, Ralph Wiggum 循环, 智能体可观测性.
машинный переводПоказать оригиналСкрыть оригинал«Agent-first engineering knowledge base distilled from OpenAI's Harness…»
Agent-first engineering knowledge base distilled from OpenAI's Harness Engineering post. Use this skill when the user asks about: agent-first development, agentic workflows, how to structure codebases for AI agents, context management for agents, AGENTS.md best practices, agentic code review, autonomous coding agents, agent-driven architecture, Codex engineering, how to work with AI coding agents, agent engineering principles, progressive disclosure in docs, architecture constraints for agents, error tolerance strategy, technical debt garbage collection, agent-readable observability, self-review loops, merge strategy for high-throughput agent systems, 智能体工程, 智能体优先开发, 智能体驱动编程, AGENTS.md 设计, 上下文管理, 智能体自主性, 代码库对智能体可读, harness engineering, 渐进式披露, 架构约束早期化, 错误容忍策略, 技术债务垃圾回收, 合并策略, 智能体自我审查, Ralph Wiggum 循环, 智能体可观测性.
База знаний по инженерии, ориентированной на агентов, основанная на статье Harness Engineering от OpenAI.
Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- 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: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "source" - заметка
frontmatter-keyнеизвестное поле фронтматтера "created"
Процессный рейтинг: все десять параметров 52/100
- 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
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (harness) не совпадает с папкой (skill-factory-claw)
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 18
- 100Стоимость исполнения. Тело инструкции 468 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)
- +3Длина description 821: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 18 пунктов
- +4Есть примеры (1 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 3)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.