375
下载量
14
安装量
0
收藏量
★ 5.0
综合评分ⓘ
Axiomata 技能评估系统 v3.0#
通用、非人格化的 OpenClaw 代理技能质量评估工具。
信息值版本3.0.0类型自包含评估系统评估双评估（Axioma 5维 + ISO 25010）目标70+（Axioma），90%+（ISO 25010）
1. 目的和范围#
目标#
使用双评估系统提供完整的技能质量评估：
- Axioma 5维框架（100分）
- ISO 25010结构框架（13项自动检查）
设计原则#
text
自包含 + 通用 + 非人格化
原则描述自包含所有工具捆绑在技能目录内通用适用于任何 OpenClaw 代理非人格化无代理特定引用
使用时机#
触发词行动评估技能运行双评估发布前检查运行完整评估流程改进技能分析报告并修复问题技能审计执行完整审计检查质量运行自动检查
2. 双评估系统#
text
╔═══════════════════════════════════════════════════════════╗
║ 双评估系统架构 ║
╠═══════════════════════════════════════════════════════════╣
║ ║
║ ┌─────────────────────────────────────────────────┐ ║
║ │ 1. Axioma 5维评估（100分） │ ║
║ │ │ ║
║ │ 维度： │ ║
║ │ ├─ 结构（Structure） → 20% │ ║
║ │ ├─ 清晰度（Clarity） → 20% │ ║
║ │ ├─ 完整性（Completeness） → 20% │ ║
║ │ ├─ 一致性（Consistency） → 20% │ ║
║ │ └─ 功能性（Functionality） → 20% │ ║
║ │ │ ║
║ │ 目标：70+ 分数 │ ║
║ └─────────────────────────────────────────────────┘ ║
║ ↓ ║
║ ┌─────────────────────────────────────────────────┐ ║
║ │ 2. ISO 25010 结构检查（13项） │ ║
║ │ │ ║
║ │ 类别：8个类别，25项标准 │ ║
║ │ 自动检查：13项测试 │ ║
║ │ │ ║
║ │ 目标：90%+（12/13项通过） │ ║
║ └─────────────────────────────────────────────────┘ ║
║ ║
╚═══════════════════════════════════════════════════════════╝
评估流程#
text
[输入] 待评估技能
↓
第一阶段：Axioma 5维评估
↓
第二阶段：ISO 25010结构检查
↓
[输出] 质量报告 + 改进建议
3. 捆绑工具#
文件系统用途evaluator.pyAxioma 5维5维评估，捆绑在此目录eval-skill.pyISO 25010自动结构检查，捆绑在此目录
工具路径#
bash
EVAL_PATH="<技能目录>/scripts/"
SKILL_PATH="<待评估技能>"
# Axioma 5维评估
python3 ${EVAL_PATH}evaluator.py <SKILL_PATH> --verbose
# ISO 25010检查
python3 ${EVAL_PATH}eval-skill.py <SKILL_PATH> --verbose
4. Axioma 5维评估#
4.1 维度分解#
维度最高分目标检查内容结构2014+标题头、章节、格式、元数据清晰度2014+描述、命令、示例、约束完整性2014+工具、前提条件、错误、边界情况一致性2014+命名、格式、结构、风格功能性2014+可验证命令、文档化输出
4.2 分数阈值#
分数状态行动90-100优秀可投入生产70-89良好可进行小幅改进50-69需要改进需要重大改进<50较差需要重写
5. ISO 25010 结构检查#
5.1 自动检查（13项）#
类别检查数验证内容结构6前置matter、标题头、章节、格式触发词2描述长度、触发上下文文档3正文长度、引用、链接文档脚本2Python解析、无外部依赖
5.2 通过阈值#
结果含义13/13完美结构分数11-12/13可接受，有轻微警告<11/13需要结构改进
6. 命令参考#
6.1 Axioma 5维评估#
bash
# 基本评估
python3 <技能目录>/scripts/evaluator.py <技能路径>
# 详细输出
python3 <技能目录>/scripts/evaluator.py <技能路径> --verbose
# 自动改进建议
python3 <技能目录>/scripts/evaluator.py <技能路径> --verbose --improve
# JSON输出
python3 <技能目录>/scripts/evaluator.py <技能路径> --json
6.2 ISO 25010检查#
bash
# 基本ISO检查
python3 <技能目录>/scripts/eval-skill.py <技能路径>
# 详细输出
python3 <技能目录>/scripts/eval-skill.py <技能路径> --verbose
# JSON输出
python3 <技能目录>/scripts/eval-skill.py <技能路径> --json
6.3 评估所有技能#
bash
# 评估父目录中的所有技能
python3 <技能目录>/scripts/evaluator.py --all
# 详细输出所有
python3 <技能目录>/scripts/evaluator.py --all --verbose
7. 输出格式#
7.1 控制台输出#
text
=== 评估结果 ===
结构（STRUCTURE） 20/20 ████████████████████ 100%
清晰度（CLARITY） 17/20 █████████████████░░░ 85%
完整性（COMPLETENESS） 14/20 ████████████░░░░░░░░ 70%
一致性（CONSISTENCY） 10/20 ██████████░░░░░░░░░ 50%
功能性（FUNCTIONALITY） 12/20 ████████████░░░░░░░░ 60%
------------------------------------------------------------
状态：良好（分数 73%）
7.2 JSON输出#
json
{
"skill": "example-skill",
"scores": {
"structure": 20,
"clarity": 17,
"completeness": 14,
"consistency": 10,
"functionality": 12
},
"total": 73,
"max": 100,
"passed": true,
"recommendations": [
"[CONSISTENCY] 低分 (50%)",
" -> 风格分数: 2/5"
]
}
8. 示例#
示例1：基本评估#
bash
$ python3 evaluator.py /path/to/skill --verbose
读取 /path/to/skill/SKILL.md (2048 字符)
结构（Structure）: 20/20
清晰度（Clarity）: 17/20
完整性（Completeness）: 14/20
一致性（Consistency）: 10/20
功能性（Functionality）: 12/20
============================================================
状态：良好（分数 73%）
示例2：ISO 25010检查#
bash
$ python3 eval-skill.py /path/to/skill --verbose
【结构】（STRUCTURE）
通过：5/6
【触发词】（TRIGGER）
通过：2/2
【文档】（DOCUMENTATION）
通过：2/3
【脚本】（SCRIPTS）
通过：2/2
【安全】（SECURITY）
通过：2/2
==================================================
通过：13 警告：0 失败：0
结构分数：100%（13/13项通过）
示例3：JSON输出#
bash
$ python3 evaluator.py /path/to/skill --json
{
"skill": "example-skill",
"scores": {
"structure": 20,
"clarity": 17,
"completeness": 14,
"consistency": 10,
"functionality": 12
},
"total": 73,
"max": 100,
"passed": true,
"recommendations": []
}
9. 自我评估#
技能自动进行自我评估：
bash
# 自我评估（未提供路径时评估自身目录）
python3 evaluator.py
# v3.0预期输出：
# 分数：85+/100
# 状态：良好到优秀
10. 建议格式#
当维度得分低于70%时：
text
[{维度}] 低分 ({百分比}%)
-> {具体问题}
-> {具体问题}
示例：
text
[一致性] 低分 (50%)
-> 集群对齐部分：2
-> 风格：2/5
11. 约束条件#
约束描述优先级70%最低分数技能必须在Axioma 5维上获得70+分高90%+结构分数ISO 25010检查目标90%+高自包含所有工具捆绑，无外部依赖高非人格化无代理特定引用高
质量阈值#
系统最低目标Axioma 5维70/10090/100ISO 2501011/1313/13结构14/2018/20清晰度14/2018/20完整性14/2018/20一致性14/2018/20功能性14/2018/20
12. 错误处理#
错误原因解决方案未找到SKILL.md文件缺失先创建SKILL.md解析错误文件损坏检查文件编码模块未找到缺少依赖仅使用捆绑工具
13. 工作流集成#
text
╔═══════════════════════════════════════════════════════════╗
║ 技能发布工作流 ║
╠═══════════════════════════════════════════════════════════╣
║ ║
║ 1. 创建技能 ║
║ ↓ ║
║ 2. 自我评估 ║
║ ↓ 70+ → 继续 ║
║ 3. ISO 25010检查 ║
║ ↓ 90%+ → 继续 ║
║ 4. 如有需要则修复问题 ║
║ ↓ ║
║ 5. 发布到ClawHub ║
║ ║
║ 结果：高质量的生产就绪技能 ║
║ ║
╚═══════════════════════════════════════════════════════════╝
In Altum Per Qualitatem. 🧪 AXIOMATA 技能评估系统 v3.0 — 通用质量系统
相关推荐
self-improving agent
精选Ppskoettv3.0.23
捕获经验教训、错误及修正内容，以实现持续改进。适用于以下场景：（1）命令或操作意外失败；（2）用户纠正Claude（如“不，那不对……”“实际上……”）；（3）用户请求的功能不存在；（4）外部API或工具出现故障；（5）Claude发现自身知识已过时或不正确；（6）针对重复性任务发现了更优方法。同时，在执行重大任务前应回顾已积累的经验教训。
AI Agent
Find Skills
Gguipi888v1.0.0
场景驱动+关键词双模式技能发现工具。当用户用自然语言描述场景/需求（如"我想做一个海报""帮我分析股票"），或明确说"安装技能/find skills/找个skill"时，自动从官方内置、本地已安装、SkillHub、虾评、GitHub、ClawHub 六层联合搜索并推荐最合适的技能，支持一键安装。已完全替代官方...
AI Agent
Self-Improving + Proactive Agent
Iivangdavilav1.2.16
自我反思+自我批评+自我学习+自组织记忆。智能体评估自身工作、发现错误并持续改进。
AI Agent
