qualitative-assessment
Skill8 starsChanged 17 days agoApache-2.0View on GitHub
基于全面分析结果,从设计、开发、运维、非功能等维度对系统做定性评估,识别系统作用领域并给出结论性判断。适用于项目终评、技术方案评审、系统性质总结。
In this repository32 other files it gives its agents.
- AGENTS.mdAGENTS.md
- ast-grep-blockSkill
- code-deconstructSkill
- code-detect-dupSkill
- code-detect-problemSkill
- code-part-modificationSkill
- code-refactorSkill
- code-reviewSkill
- cpp-checkSkill
- cpp-clang-tidySkill
- cpp-tscancodeSkill
- full-analysisSkill
- gdb-heap-analysisSkill
- java-asprofSkill
- java-check-pmdSkill
- java-check-spotbugsSkill
- java-coverageSkill
- java-envSkill
- java-g2mSkill
- jmh-benchSkill
- lets-loopSkill
- long-term-taskSkill
- md2pdfSkill
- merge-agents-mdSkill
- requirement-collectSkill
- rust-clippySkill
- rust-flamegraphSkill
- shell-checkSkill
- sql-extractSkill
- sync-dev-specSkill
- sync-repo-docsSkill
- vbox-test-envSkill
The file
Files
系统定性评估技能
核心原则:客观、如实、深刻、尖锐,300-500字总结
评估目的
基于 /full-analysis 前四步的客观分析结果,进行定性总结和系统定位:
- 这是什么系统?(领域定位)
- 系统设计倾向是什么?(面向人 vs 面向机器)
- 开发模式是什么?(可扩展 vs 拷贝再开发)
- 运维模式是什么?(自动化 vs 全人工)
- 非功能属性如何?(健壮性、可维护性、性能)
- 这样的设计是否匹配其领域要求?
输入来源
收集前四步技能的输出文件:
/code-deconstruct→ 设计文档、ER图、架构图/code-review→ 代码质量、安全、性能问题/code-detect-dup→ 重复度分析/code-detect-problem→ 项目层面问题、重构方案
find docs/ -name "*.md" -type f | grep -E "(deconstruct|review|dup|problem)" | sort -r | head -10评估维度
1. 设计维度:面向人 vs 面向机器
| 特征 | 面向人 | 面向机器 |
| 交互方式 | GUI/CLI交互 | API/消息队列 |
| 错误处理 | 友好提示 | 错误码/日志 |
| 配置管理 | 配置文件/界面 | 环境变量/启动参数 |
| 日志输出 | 人类可读 | 结构化/机器可解析 |
2. 开发维度:可扩展 vs 拷贝再开发
| 特征 | 可扩展设计 | 拷贝再开发 |
| 架构模式 | 模块化、插件化 | 单体、紧耦合 |
| 代码复用 | 抽象接口、继承 | 复制粘贴 |
| 配置方式 | 配置驱动 | 硬编码 |
| 依赖管理 | 依赖注入 | 直接实例化 |
3. 运维维度:自动化 vs 全人工
| 特征 | 自动化运维 | 全人工运维 |
| 部署 | CI/CD流水线 | 手动拷贝文件 |
| 监控 | 指标收集、告警 | 人工检查日志 |
| 故障恢复 | 自动重启/切换 | 人工干预 |
| 配置更新 | 配置中心推送 | 手动修改文件 |
4. 非功能属性
| 属性 | 评估要点 | 标准 |
| 健壮性 | 错误处理、异常恢复、边界条件 | 防御性编程、降级策略 |
| 可维护性 | 代码结构、文档、测试覆盖 | 模块清晰度、注释质量、测试完整性 |
| 性能 | 响应时间、资源使用、扩展性 | 算法复杂度、缓存策略、并发处理 |
5. 领域匹配度
| 系统类型 | 允许宽松度 | 必须严格的要求 |
| 纯小工具 | 面向人、拷贝再开发、全人工 | 功能正确即可 |
| 管理类(ERP/OA/录单) | 弱化性能、简化设计 | 数据一致性、业务流程正确 |
| 普通报价(外贸/电商) | 中等 | 计算准确性、业务逻辑正确 |
| 金融报价(股票/期货/外汇) | 极低 | 高性能、零差错、强实时性、强一致性 |
| 量化交易 | 极低 | 高性能、零差错、强健壮性、风控完备 |
| 基础设施(数据库/中间件) | 极低 | 高可用、强一致、可扩展 |
领域识别线索:业务术语→业务系统,金融术语→金融系统,技术术语→基础设施,工具术语→工具类
注意:金融报价系统等同于量化交易,要求极严格;普通报价系统(外贸/电商)属业务系统,中等严格度即可。
评估流程
步骤1:收集分析结果
# 设计解构:docs/deconstruct/ 下的设计文档与图
deconstruct_file=$(find docs/deconstruct -name "global_design.md" | sort -r | head -1)
# 代码审查:docs/review/code-review-{yyyymmdd}-{seq}-{lang}.md
review_file=$(find docs/review -name "code-review-*.md" | sort -r | head -1)
# 重复检测:docs/dup/dup-{yyyymmdd}-{seq}.txt 或 jscpd HTML 报告目录
dup_file=$(find docs/dup -maxdepth 2 -type f | sort -r | head -1)
# 问题侦测:docs/detect/detect-{yyyymmdd}-{seq}.md
problem_file=$(find docs/detect -name "detect-*.md" | sort -r | head -1)四个输入缺一不可;缺失时先执行对应技能,不得凭印象补写结论。
步骤2:维度评分(1-5分)
| 维度 | 5分 | 3分 | 1分 |
| 设计 | 完全面向机器,结构化API,完善错误码 | 混合设计,既有API也有界面 | 完全面向人,无机器接口 |
| 开发 | 高度可扩展,完整插件体系 | 部分模块化,部分硬编码 | 完全拷贝再开发,高度重复 |
| 运维 | 全自动化,完整CI/CD/监控 | 半自动化,关键步骤自动化 | 全人工,无自动化 |
非功能属性分别按 1-5 分评估:
| 维度 | 5分 | 3分 | 1分 |
| 健壮性 | 异常处理完整,有降级与恢复策略 | 关键路径有异常处理,边界覆盖不全 | 异常吞没或未处理,故障即中断 |
| 可维护性 | 模块清晰、文档完整、测试充分 | 结构基本清晰,文档或测试有缺口 | 结构混乱、无文档、几乎无测试 |
| 性能 | 有容量规划与基准数据,无明显热点 | 满足当前负载,缺少量化数据 | 存在明显瓶颈或资源泄漏 |
步骤3:领域识别和匹配度判断
- 提取项目关键词 → 分析主要业务逻辑 → 判断系统核心价值 → 匹配领域分类
- 匹配度:匹配(一致)/ 部分匹配(某些维度不符但可接受)/ 不匹配(关键维度严重偏离)
步骤4:生成尖锐总结
总结结构:一句话定性 → 设计倾向 → 开发模式 → 运维现状 → 非功能短板 → 领域匹配度 → 风险提示 → 改造建议
语言风格:客观(基于事实)、如实(不回避问题)、深刻(看到本质)、尖锐(直指要害但建设性)
输出格式
本文件中的
templates/...均指本技能目录下的templates/子目录。
- 文件命名:
docs/assessment/qualitative-assessment-{yyyymmdd}-{seq%000}.md - 报告模板:
templates/assessment-report.md
执行方式
# 作为full-analysis第五步
/long-term-task 连续执行下列任务
1. skill /code-deconstruct
2. skill /code-review
3. skill /code-detect-dup
4. skill /code-detect-problem
5. skill /qualitative-assessment
# 独立使用(已有分析结果时)
/qualitative-assessment验证标准
- 客观性:所有结论有数据支持
- 深刻性:不止于表面现象,看到本质
- 尖锐性:不回避问题,直指要害
- 建设性:批评的同时给出改进方向
- 简洁性:总结在300-500字内
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

