返回顶部
s

skill-scorer技能评分器

对任何 SKILL.md(或 skill 文件夹)进行质量评估和打分,基于行业最佳实践,生成 8 维度 100 分制的结构化质检报告,精准定位问题并提供可执行的优化建议。当用户要求评审、审计、评分、检测、质检任何 skill 时使用——哪怕只是说「这个 skill 写得怎么样?」也会触发。也支持:skill质检、skill评分、检测skill。 | Evaluate and score any SKILL.md (or skill folder) against industry best practices. Generates a structured quality report with a 100-point score across 8 dimensions, pinpoints issues, and provides actionable optimization suggestions. Use this skill whenever the user asks to review, audit, evaluate, grade, score, lint, or qu

作者: admin | 来源: ClawHub
源自
ClawHub
版本
V 1.0.0
安全检测
已通过
112
下载量
免费
免费
0
收藏
概述
安装方式
版本历史

skill-scorer

技能:skill-scorer

概述

一种元技能,用于评估其他技能的质量。给定一个 SKILL.md 文件(或完整的技能文件夹),它会从 8 个维度进行系统审计,给出百分制评分,按严重程度识别问题,并生成可操作的优化建议。

该技能综合了 Anthropic 官方技能编写最佳实践、技能工程标准(v1.4.3)以及来自生产级技能生态系统的社区验证模式。

何时激活

用户提供技能并提出以下任一要求:

  • - 帮我评分/打分/检测/质检 这个 skill
  • review/audit/score/grade/lint this skill
  • 这个 skill 写得怎么样? / is this skill any good?
  • 帮我优化这个 skill(先评估,再提出改进建议)
  • 提供 SKILL.md 并期望获得质量反馈

不要在以下情况激活:从头创建新技能 → 请使用 skill-creator。本技能用于评估,而非生成。

核心工作流程

第 0 步:加载待评估技能

确定用户提供的内容:

输入操作
单个 SKILL.md 文件评估该文件
技能文件夹(含 references/)
评估所有文件,交叉检查一致性 |
| URL / GitHub 链接 | 获取并评估 |
| 粘贴的 Markdown 内容 | 视为 SKILL.md |

如果用户未提供技能 → 询问:请提供要评估的 SKILL.md 文件或 skill 文件夹路径。

输入验证 — 在进入第 1 步前,确认输入内容确实是技能:

检查项条件操作
二进制/乱码内容文件不是有效文本,或文本为不可读乱码停止。 报告:该文件似乎不是有效的 SKILL.md — 包含二进制或不可读内容。请提供基于 Markdown 的技能文件。 不要尝试评分。
无任何技能标识
文本有效但不包含任何技能指示符(无 YAML 前置元数据 ---,无类似技能章节的 Markdown 标题,无工作流/指令) | 停止。 报告:这似乎是 {检测到的类型} 文件(例如 Python 脚本、JSON 配置、纯文本),而非 SKILL.md。skill-scorer 仅评估 SKILL.md 文件。 不要强行将 8 个维度套用到非技能内容上。 |
| 部分技能结构 | 包含部分类似技能的元素(例如存在 YAML 前置元数据但正文内容极少,或有标题但无工作流) | 继续但附带说明。 正常评估,但在报告头部注明:⚠️ 该文件技能结构不完整 — 评分仅反映现有内容。 将缺失部分在相关维度中评分为 0,而非猜测。 |

第 1 步:解析技能结构

提取并清点:

  • - YAML 前置元数据字段(name、description、version、compatibility)
  • 章节标题及其顺序
  • 对外部文件的引用(references/、scripts/、assets/)
  • SKILL.md 正文的总行数和预估 Token 数

第 2 步:执行 8 维度评估

阅读 references/rubric.md 获取完整评分标准。

从以下 8 个维度评估技能(每个维度评分 0-100,然后加权):

#维度权重衡量内容
1元数据与触发条件15%名称清晰度、描述质量、触发条件覆盖度
2
结构与架构 | 15% | 文件组织、章节顺序、渐进式信息呈现 |
| 3 | 指令清晰度 | 15% | 可操作性、简洁性、示例、语气 |
| 4 | 工作流与逻辑 | 15% | 步骤完整性、参数处理、验证 |
| 5 | 错误处理 | 10% | 回退方案、边界情况、故障恢复 |
| 6 | 上下文效率 | 10% | Token 预算、冗余度、信息密度 |
| 7 | 可移植性与兼容性 | 10% | 自包含性、跨平台支持 |
| 8 | 安全性与鲁棒性 | 10% | 无注入风险、无幻觉陷阱、身份锁定 |

第 3 步:识别问题

对发现的每个问题,按严重程度分类:

严重程度含义分数影响
🔴 严重技能将无法正常运行或触发每个问题 -10 至 -15
🟡 警告
技能可运行但效果欠佳 | 每个问题 -3 至 -8 |
| 🟢 建议 | 锦上添花的改进 | 每个问题 -1 至 -2 |

第 4 步:生成报告

阅读 references/report-template.md 获取输出格式。

报告包括:

  1. 1. 评分卡 — 总分 + 各维度得分明细
  2. 问题列表 — 按严重程度排序的所有发现
  3. 前 3 个速赢项 — 影响最大的修复项,附修改前后示例
  4. 优化路线图 — 按优先级排序的改进计划

第 5 步:提供后续跟进

呈现报告后,询问:

  • - 需要我帮你自动修复这些问题吗?(自动修复模式)
  • 需要对某个维度深入分析吗?(深度分析模式)
  • 需要生成优化后的 SKILL.md 吗?(重写模式)

输出规则

  1. 1. 双语报告 — 先中文,后英文,不交错。 始终先输出完整中文报告,然后以 --- 分隔,再输出完整英文报告。切勿在章节内混合语言。两个版本必须包含相同的分数、问题和建议 — 仅语言不同。
  2. 评分必须有依据。 每扣除一分必须对应一个具体问题。
  3. 建议必须可操作。 包含修改前后的代码片段,而非模糊建议。
  4. 建设性而非破坏性。 先指出技能的优势,再列出问题。
  5. ❌ 切勿为了礼貌而虚高分数 — 诚实的评估才能帮助用户改进。
  6. ❌ 切勿基于技能内容的领域正确性进行评估(例如酒店推荐是否合理)— 仅评估技能工程质量。

参考资料

文件用途何时阅读
references/rubric.md所有 8 个维度的详细评分标准第 2 步:评分
references/report-template.md
输出格式和报告结构 | 第 4 步:生成报告 | | references/anti-patterns.md | 常见技能错误及检测方法 | 第 3 步:查找问题 |

标签

skill ai

通过对话安装

该技能支持在以下平台通过对话安装:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 skill-scorer-1775885401 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 skill-scorer-1775885401 技能

通过命令行安装

skillhub install skill-scorer-1775885401

下载

⬇ 下载 skill-scorer v1.0.0(免费)

文件大小: 23.06 KB | 发布时间: 2026-4-12 11:25

v1.0.0 最新 2026-4-12 11:25
1.0.0 — Initial release with an 8-dimension scoring rubric:

- Evaluates any SKILL.md (or skill folder) for quality and compliance.
- Assigns scores out of 100 across 8 weighted dimensions based on best practices.
- Identifies all issues by severity with actionable, specific suggestions.
- Generates a bilingual (Chinese + English) structured quality report for every evaluation.

Archiver·手机版·闲社网·闲社论坛·羊毛社区· 多链控股集团有限公司 · 苏ICP备2025199260号-1

Powered by Discuz! X5.0   © 2024-2025 闲社网·线报更新论坛·羊毛分享社区·http://xianshe.com

p2p_official_large
返回顶部