SKILLEMALL.ai

AC auto-parts-quality

Экспертный навык по анализу качества автомобильных запчастей. Используйте при анализе проблем качества, видов отказов, отчетов 8D, данных SPC, документов PPAP или любой другой работы, связанной с качеством в автомобильной промышленности. Активируется по запросам: анализ качества, анализ отказов, отчет 8D, APQP, PPAP, FMEA, SPC, анализ первопричин, управление качеством поставщиков, проверка деталей, метрики качества, обработка жалоб клиентов на автомобильные компоненты (HPFP, топливные насосы, поршни, клапаны и т. д.).

машинный переводПоказать оригиналСкрыть оригинал«Senior automotive parts quality analysis expert skill. Use when analyz…»

Senior automotive parts quality analysis expert skill. Use when analyzing quality issues, failure modes, 8D reports, SPC data, PPAP documents, or any automotive quality-related work. Triggers on: quality analysis, failure analysis, 8D report, APQP, PPAP, FMEA, SPC, root cause analysis, supplier quality management, parts inspection, quality metrics, customer complaint handling for automotive components (HPFP, fuel pumps, pistons, valves, etc.).

ClawHub Agent Skills автор: zxw8309 v1.0.0 MIT-0 4 файла тело ≈ 1 065 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Экспертный навык по анализу качества автомобильных запчастей.

Как процесс C 57/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторПроизводствоДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
57/100
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

    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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 57/100

    • 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
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 39
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1065 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 447 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 39 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    This is a markdown-only automotive quality analysis reference skill with no hidden execution, credential use, persistence, or broad data access.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.