@dzhechkov/keysarium 1.4.0 → 1.5.0

package/templates/.claude/skills/ai-factory-mapper/SKILL.md

@@ -0,0 +1,309 @@
+---
+name: ai-factory-mapper
+description: >
+  Декомпозирует ЛЮБУЮ бизнес-задачу или сценарий на оптимальный пайплайн
+  из сервисов Cloud.ru Evolution AI Factory (Foundation Models, ML Inference,
+  Managed RAG, AI Agents, AI Workflows + MCP-серверы и готовые агенты).
+  Генерирует: пошаговую декомпозицию workflow, таблицу маппинга
+  «шаг → сервис → степень покрытия» с цветовой подсветкой, список gap'ов
+  (что нельзя сделать из коробки), оценку покрытия в %, Mermaid-диаграмму
+  и финальный DOCX. Поддерживает разбор нескольких сценариев с ранжированием
+  по степени покрытия. Триггеры: "разложи на AI Factory", "задача на AI Factory",
+  "декомпозируй сценарий", "какие сервисы Cloud.ru нужны", "пайплайн AI Factory",
+  "ai-factory-mapper", "map to AI Factory", "покрытие AI Factory". Используй
+  ЛЮБОЙ раз, когда пользователь спрашивает, как реализовать бизнес-процесс
+  или агент на базе Cloud.ru Evolution AI Factory — даже если формулировка
+  непрямая (например, "как сделать агента поддержки на Cloud.ru").
+---
+
+# AI Factory Mapper: декомпозиция сценариев на Cloud.ru Evolution AI Factory
+
+## Что делает этот скилл
+
+Берёт произвольный бизнес-сценарий (агент поддержки, обработка документов, маркетинг, devops, discovery — что угодно) и превращает его в **оптимальный пайплайн реализации на Cloud.ru Evolution AI Factory** с честной оценкой покрытия и явным списком того, что придётся делать кастомом.
+
+**Ключевая философия — оркестрация, а не копирование.** Этот скилл не дублирует логику других скиллов: он **вызывает** их через `view()` и использует результаты.
+
+## Какие скиллы оркестрирует (и когда)
+
+| Когда нужен | Какой скилл вызвать | Как |
+|---|---|---|
+| Задача сформулирована расплывчато | `explore` | `view /mnt/skills/user/explore/SKILL.md` |
+| Нужна first-principles декомпозиция на шаги | `problem-solver-enhanced` | `view /mnt/skills/user/problem-solver-enhanced/SKILL.md` |
+| Нужна верификация новинок каталога / источников | `goap-research-ed25519` | `view /mnt/skills/user/goap-research-ed25519/SKILL.md` |
+| Комплексный анализ с checkpoints | `analyst-manual-full` | `view /mnt/skills/user/analyst-manual-full/SKILL.md` |
+| Финальный DOCX-отчёт | `docx` (public) | `view /mnt/skills/public/docx/SKILL.md` |
+
+**Правило:** сначала прочитай SKILL.md нужного скилла, потом следуй его инструкциям. Не переписывай его логику в этот SKILL.md.
+
+## Bundled resources
+
+```
+ai-factory-mapper/
+├── SKILL.md                               # этот файл (workflow + оркестрация)
+├── references/
+│   ├── catalog.md                         # актуальный каталог AI Factory (обновлять!)
+│   ├── decomposition-checklist.md         # 10-пунктов чек-лист декомпозиции workflow
+│   ├── coverage-formula.md                # формула оценки покрытия в %
+│   └── pattern-library.md                 # типовые паттерны (ingest/RAG/routing/...)
+├── assets/
+│   └── report-template.md                 # шаблон финального отчёта
+└── scripts/
+    └── build_docx_report.js               # генератор DOCX из структурированного JSON
+```
+
+**Когда читать reference-файлы:**
+- `catalog.md` — **ВСЕГДА перед маппингом** (Phase 3). Это единственный источник правды о составе AI Factory.
+- `decomposition-checklist.md` — на фазе декомпозиции, чтобы не забыть неочевидные этапы (PII, compliance, close-loop).
+- `coverage-formula.md` — при расчёте итогового %. Нужно для воспроизводимости оценок между запусками.
+- `pattern-library.md` — когда встречается типовой паттерн (RAG-поддержка, ingest-extract-validate, и т.д.) — даёт готовые решения.
+- `report-template.md` — финальная синтеза.
+
+## Workflow архитектура
+
+```
+┌──────────────────────────────────────────────────────────────────────┐
+│  INPUT: один или несколько сценариев от пользователя                  │
+│                            ↓                                          │
+│  GATE: Ясна ли задача?                                                │
+│  → Нет? → Phase 0: Explore (через view explore skill)                 │
+│  → Да?  → сразу Phase 1                                               │
+│                            ↓                                          │
+│  Phase 1: CATALOG SYNC                                                │
+│  → Прочитать references/catalog.md                                    │
+│  → web_search новинок (обязательно, каталог быстро меняется)          │
+│  → При необходимости — goap-research-ed25519 для верификации          │
+│                            ↓                                          │
+│  Phase 2: DECOMPOSITION (на каждый сценарий)                          │
+│  → First principles — через view problem-solver-enhanced              │
+│  → Применить decomposition-checklist.md                               │
+│  → Результат: линейный список 7–12 шагов workflow                     │
+│                            ↓                                          │
+│  Phase 3: MAPPING                                                     │
+│  → На каждый шаг: подобрать сервис/сервисы из catalog.md              │
+│  → Присвоить степень покрытия: ✅ Полное / ⚠️ Частичное / ❌ Нет      │
+│  → Если совпал типовой паттерн — взять из pattern-library.md          │
+│                            ↓                                          │
+│  Phase 4: GAP IDENTIFICATION                                          │
+│  → Выписать все шаги с ❌ и ⚠️                                       │
+│  → Для каждого gap: что мешает и чем закрыть                          │
+│                            ↓                                          │
+│  Phase 5: COVERAGE SCORING                                            │
+│  → Применить формулу из coverage-formula.md                           │
+│  → Получить % покрытия для каждого сценария                           │
+│                            ↓                                          │
+│  Phase 6: SYNTHESIS & OUTPUT                                          │
+│  → Если сценариев >1 — таблица ранжирования                           │
+│  → Mermaid-диаграмма пайплайна (в Markdown и через MCP Mermaid если   │
+│    доступен)                                                          │
+│  → DOCX-отчёт через scripts/build_docx_report.js                      │
+│  → present_files                                                      │
+└──────────────────────────────────────────────────────────────────────┘
+```
+
+## Phase execution protocol
+
+### Gate: оценка ясности задачи
+
+Перед началом проверь:
+1. Есть ли у пользователя конкретный сценарий с описанием цели, пользователя, входа, выхода?
+2. Или это общий запрос «как сделать X на AI Factory»?
+
+Если второе — **прочитай `/mnt/skills/user/explore/SKILL.md` и следуй его инструкциям** для уточнения. Не пытайся угадать.
+
+Если задача ясна (например, даётся список сценариев с описанием, как в примере ниже) — переходи к Phase 1.
+
+**Пример ясной задачи:**
+> «Есть 5 сценариев, разложи каждый на пайплайн AI Factory с оценкой покрытия»
+
+**Пример неясной:**
+> «Можем ли мы использовать AI Factory?»  → нужен Explore
+
+### Phase 1: Catalog sync
+
+**Шаги:**
+1. **ВСЕГДА** прочитай `references/catalog.md` — это базовый справочник, но он может устареть.
+2. **ВСЕГДА** сделай `web_search` с запросом `Cloud.ru Evolution AI Factory новые сервисы <текущий_год>` и `Cloud.ru новые MCP серверы <текущий_год>`, чтобы проверить свежие анонсы. Каталог обновляется быстро — пропуск этого шага приводит к ложным gap'ам.
+3. Если пользователь явно указал «используй только актуальные данные» или работа критическая (enterprise-продукт, внешний клиент) — вызови `goap-research-ed25519`:
+   - Прочитай `/mnt/skills/user/goap-research-ed25519/SKILL.md`
+   - Цель: `goal_type="verified_exploratory"`, тема — «Cloud.ru Evolution AI Factory current services catalog»
+4. Зафиксируй в working memory перечень сервисов на момент анализа (это важно для воспроизводимости оценок).
+
+**Если найдены НОВЫЕ сервисы, не учтённые в catalog.md:**
+- Добавь их в working memory для текущего анализа
+- В итоговом отчёте укажи секцию «Свежие анонсы» со ссылкой на источник
+- В конце предложи пользователю: «Хотите ли обновить references/catalog.md в скилле?»
+
+### Phase 2: Decomposition (first principles)
+
+**Для каждого сценария:**
+
+1. Прочитай `/mnt/skills/user/problem-solver-enhanced/SKILL.md` — это базовая методология декомпозиции. **Применяй модули 1 (First Principles) и 6 (Contradiction Analysis) как минимум.**
+
+2. Открой `references/decomposition-checklist.md` и пройди по каждому из 10 пунктов:
+   - Ingest — откуда/в каком формате приходит вход
+   - Normalize — нужно ли нормализовать/маскировать/распознавать
+   - Classify/Route — нужна ли классификация
+   - Retrieve — нужен ли поиск контекста в корпоративных данных
+   - Reason/Generate — LLM-reasoning или генерация
+   - Validate — проверки корректности, бизнес-правила, compliance
+   - Act — действие во внешней системе
+   - Notify — коммуникация с пользователем/операторами
+   - Log/Audit — что и куда пишем
+   - Feedback/Learn — как улучшается система
+
+3. Результат для каждого сценария — **линейный нумерованный список из 7–12 шагов**. Не больше — иначе детализация слишком глубокая; не меньше — иначе маппинг получится слишком крупнозернистым.
+
+**Антипаттерн:** не начинай с сервисов AI Factory и не натягивай сценарий на них. Иди от логики задачи к технологии, а не наоборот.
+
+### Phase 3: Mapping
+
+Для каждого шага из Phase 2:
+
+1. Открой `references/pattern-library.md` — проверь, совпадает ли шаг с типовым паттерном. Если да — бери готовое решение.
+2. Иначе — подбери сервис(ы) из `references/catalog.md` по трём слоям в порядке предпочтения:
+   - **Слой 1**: готовый AI-агент (минимум кастома)
+   - **Слой 2**: MCP-сервер + AI Agents/AI Workflows (low-code оркестрация)
+   - **Слой 3**: Foundation Models / ML Inference / Managed RAG + кастом-промпты
+3. Присвой **степень покрытия** по простому правилу:
+   - ✅ **Полное** — шаг закрывается готовым сервисом/сервисами без написания коннекторов, fine-tuning или развёртывания кастомных моделей.
+   - ⚠️ **Частичное** — платформа закрывает 50–80% шага, но требуется настройка (кастомный промпт, небольшой custom-node, развертывание готовой open-source модели в ML Inference без fine-tuning).
+   - ❌ **Нет** — требуется писать собственный MCP, интегрироваться с внешней системой, для которой нет коннектора, дообучать модель, или вообще выходить за пределы LLM-стека.
+
+**Правило однозначности:** если колеблешься между ✅ и ⚠️ — выбирай ⚠️. Если между ⚠️ и ❌ — выбирай ❌. Честная оценка ценнее оптимистичной.
+
+### Phase 4: Gap identification
+
+Из всех шагов с ⚠️ и ❌:
+
+Для каждого gap'а сформулируй:
+- **Что не хватает** (одно предложение)
+- **Почему это gap** (что именно в платформе не закрывает задачу)
+- **Варианты закрытия**:
+  - (a) Деплой open-source модели в Evolution ML Inference
+  - (b) Написание кастомного MCP
+  - (c) Интеграция через HTTP-узел в AI Workflows
+  - (d) Внешний API / сторонний сервис
+  - (e) Out-of-scope для AI Factory (нужен отдельный инструмент)
+
+Типовые gap'ы, которые встречаются часто (используй как подсказку):
+- **OCR сканов** — нет в каталоге; закрывается деплоем PaddleOCR/docTR через ML Inference
+- **STT / распознавание речи** — нет; деплой GigaAM/Whisper через ML Inference или Yandex SpeechKit как внешний API
+- **Image/Video generation** — нет как сервис; деплой Flux/SDXL через ML Inference
+- **MCP к 1С / SAP / SharePoint** — нет; кастом через OData/RFC
+- **MCP к ЭДО (Диадок/СБИС)** — нет; кастомный коннектор
+- **MCP к Git-платформам (GitLab/GitVerse)** — нет; кастом
+- **MCP к рекламным кабинетам (VK/Yandex Direct)** — нет
+- **ЭЦП валидация** — out-of-scope, нужна КриптоПро/VipNet
+
+### Phase 5: Coverage scoring
+
+Прочитай `references/coverage-formula.md` и примени формулу.
+
+Базовая логика (детали в файле):
+```
+coverage = (N_full × 1.0 + N_partial × 0.5 + N_none × 0.0) / N_total
+```
+
+Где `N_full`, `N_partial`, `N_none` — количество шагов с ✅, ⚠️, ❌ соответственно, `N_total` — общее число шагов workflow.
+
+Результат округляется до 5% (никаких «73.4%», только «~75%»). Это честнее: точность оценки не больше 5% в силу субъективности присвоения категорий.
+
+### Phase 6: Synthesis & output
+
+**Структура итогового отчёта** — см. `assets/report-template.md`. Краткий состав:
+
+1. **Executive Summary** — паттерн, ключевой вывод, приоритетные gap'ы
+2. **Справочник AI Factory** — сервисы на момент анализа
+3. **По каждому сценарию**: декомпозиция → маппинг-таблица → gap'ы → покрытие
+4. **Mermaid-диаграмма пайплайна** (для самого сложного сценария или по одной на каждый)
+5. **Сводная таблица ранжирования** (если сценариев >1)
+6. **Выводы и рекомендации**
+
+**Mermaid-диаграмма пайплайна** — в двух формах:
+- Inline Markdown (через ```mermaid блок) — всегда
+- Если доступен `MCP Mermaid Server` из каталога Cloud.ru — упомяни в выводе как вариант для production-рендера
+
+**Пример Mermaid для типового сценария:**
+```mermaid
+flowchart LR
+    A[Ingest: email/chat] --> B[Normalize + PII-mask<br/>FM: GigaChat]
+    B --> C{Classify<br/>AI Agents}
+    C -->|Типовой| D[Retrieve<br/>Managed RAG]
+    C -->|Сложный| E[Escalate<br/>MCP Jira]
+    D --> F[Generate reply<br/>FM]
+    F --> G[Notify<br/>MCP Max/email]
+```
+
+**Генерация DOCX:**
+1. Собери данные анализа в структурированный JSON (см. `scripts/build_docx_report.js` — там описан формат).
+2. Запусти `node scripts/build_docx_report.js <input.json> <output.docx>`.
+3. Валидируй через `python /mnt/skills/public/docx/scripts/office/validate.py <output.docx>`.
+4. Скопируй в `/mnt/user-data/outputs/` и вызови `present_files`.
+
+**Если пользователь явно попросил только Markdown** — пропусти DOCX и выдай только `.md`.
+
+## Output inventory
+
+| Артефакт | Файл | Обязательно? |
+|---|---|---|
+| Markdown отчёт | `ai_factory_analysis.md` | ✅ |
+| DOCX отчёт | `ai_factory_analysis.docx` | ✅ (если пользователь не попросил иначе) |
+| Mermaid диаграммы | встроены в md/docx | ✅ |
+| JSON с raw-данными анализа | `analysis.json` | Опционально (для программного использования) |
+
+## Quality checklist
+
+Перед выдачей результата пройдись:
+
+- [ ] Catalog sync выполнен (web_search + catalog.md прочитан)
+- [ ] Каждый сценарий декомпозирован на 7–12 шагов (не больше/меньше)
+- [ ] Каждый шаг имеет явное присвоение ✅/⚠️/❌ (без «скорее всего»)
+- [ ] Gap'ы имеют предложенные варианты закрытия
+- [ ] % покрытия округлены до 5%
+- [ ] Если сценариев >1 — есть ранжирование
+- [ ] Есть минимум одна Mermaid-диаграмма
+- [ ] DOCX прошёл валидацию (или пользователь попросил только md)
+- [ ] Ничего не додумано: если сервиса нет в каталоге — он честно отмечен как gap, а не «предположительно есть»
+
+## Antipatterns — чего НЕ делать
+
+1. **Не пропускай catalog sync.** Каталог обновляется ежемесячно. Без актуализации ты будешь говорить «нет OCR-сервиса», когда его уже добавили.
+
+2. **Не натягивай сценарий на сервисы.** Сначала workflow — потом mapping. Иначе получается product-marketing, а не инженерный анализ.
+
+3. **Не пиши «предположительно покрывается через…»** — это бесполезная оценка. Либо ты знаешь, что сервис это делает (потому что он в каталоге и у него есть такая функция), либо это gap.
+
+4. **Не завышай оценку покрытия.** Пользователь заплатит за это в продакшне. Если сомневаешься — ставь ⚠️ или ❌.
+
+5. **Не копируй логику других скиллов.** Если нужна декомпозиция — вызови `problem-solver-enhanced`. Если research — `goap-research-ed25519`. Если DOCX — `docx`. Этот скилл — дирижёр.
+
+6. **Не забывай про нетекстовые модальности.** OCR, STT, image-gen, видео — типичные белые пятна. Не маскируй их под «можно через FM».
+
+7. **Не выдумывай MCP-серверы.** Если конкретного MCP нет в каталоге — так и скажи. «Нужно написать кастомный MCP для X» — валидный ответ.
+
+## Примеры триггерных фраз (для понимания «когда использовать»)
+
+- «Разложи задачу X на сервисы AI Factory»
+- «Какие сервисы Cloud.ru нужны, чтобы сделать агента поддержки?»
+- «Можно ли реализовать обработку счетов на Evolution AI Factory?»
+- «Собери пайплайн маркетингового агента на AI Factory»
+- «Какое покрытие у сценария X сервисами Cloud.ru?»
+- «Что из этого можно сделать на AI Factory, а что нет?»
+- «Сравни 3 сценария по тому, насколько они покрыты AI Factory»
+- «Сделай TCO-оценку реализации X на Cloud.ru» (частично — этот скилл даёт основу, TCO считается отдельно)
+
+## Dependencies
+
+- **Node.js + docx package** — для `build_docx_report.js` (обычно уже установлен через `npm install -g docx`)
+- **Python 3 + pandoc** — для валидации DOCX через скрипт из публичного docx-скилла
+- Внешние скиллы: `explore`, `problem-solver-enhanced`, `goap-research-ed25519`, `docx`
+
+## Maintenance notes
+
+Раз в 1–2 месяца обновляй `references/catalog.md`:
+- Проверь `cloud.ru/products/evolution-ai-factory` на новые сервисы
+- Пройдись по каталогу агентов и MCP на Evolution Agents Marketplace
+- Обнови дату в шапке файла
+
+Если появились фундаментально новые категории (например, Evolution Video Generation, Evolution Voice Synthesis) — добавь их в `pattern-library.md` как новые паттерны.

package/templates/.claude/skills/ai-factory-mapper/assets/report-template.md

@@ -0,0 +1,123 @@
+# [Название задачи] — анализ покрытия AI Factory
+
+**Дата анализа:** [дата]
+**Версия каталога:** [дата последнего обновления catalog.md] + web_search от [дата]
+**Методология:** First Principles (через problem-solver-enhanced) + AI Factory Coverage Framework
+
+---
+
+## Executive Summary
+
+**TL;DR:** [одно-два предложения о главном]
+
+**Ключевые выводы:**
+- [Паттерн, который обнаружен]
+- [Главная сильная сторона покрытия]
+- [Главные пробелы]
+
+**Если сценариев несколько — сводная таблица:**
+
+| Ранг | Сценарий | Покрытие | Главные gaps |
+|---|---|---|---|
+| 1 | [название] | ~XX% | [1–2 gap'а] |
+| 2 | [название] | ~XX% | [1–2 gap'а] |
+
+---
+
+## Справочник AI Factory (на момент анализа)
+
+**Платформенные сервисы:** [перечислить]
+**Готовые агенты:** [сколько и какие релевантные]
+**MCP-серверы:** [сколько и какие релевантные]
+
+**Новинки с момента последнего обновления catalog.md** (если найдены через web_search):
+- [если есть]
+
+---
+
+## Сценарий [N]: [Название]
+
+### Декомпозиция workflow
+
+Пройдено по decomposition-checklist.md. Результат — [количество] шагов:
+
+1. **[Название шага]** — [краткое описание]
+2. **[Название шага]** — [краткое описание]
+...
+
+### Маппинг на сервисы AI Factory
+
+| # | Шаг | Сервис AI Factory | Покрытие |
+|---|---|---|---|
+| 1 | ... | ... | ✅ Полное |
+| 2 | ... | ... | ⚠️ Частичное |
+
+### Mermaid-диаграмма пайплайна
+
+```mermaid
+flowchart LR
+    A[Шаг 1] --> B[Шаг 2]
+    B --> C{Decision}
+    C -->|path 1| D[...]
+    C -->|path 2| E[...]
+```
+
+### Что нельзя сделать «из коробки»
+
+**Gap 1: [название]**
+- **Что не хватает:** [одно предложение]
+- **Почему:** [причина]
+- **Варианты закрытия:** [(a) деплой через ML Inference / (b) кастомный MCP / (c) внешний API / (d) out-of-scope]
+
+**Gap 2: ...**
+
+### Расчёт покрытия
+
+| Категория | Count | Вес | Вклад |
+|---|---|---|---|
+| ✅ Полное | N_full | 1.0 | X |
+| ⚠️ Частичное | N_partial | 0.5 | Y |
+| ❌ Нет | N_none | 0.0 | 0 |
+| **Итого** | **N_total** | — | **X+Y** |
+
+- coverage_raw = (X + Y) / N_total = Z
+- coverage_pct = round(Z × 100 / 5) × 5 = **WW%**
+- Применены модификаторы: [перечислить, если были]
+- **Итоговое покрытие: XX%**
+
+---
+
+## [Повтор блока «Сценарий N» для каждого сценария]
+
+---
+
+## Сводное ранжирование (если сценариев >1)
+
+| Ранг | Сценарий | Покрытие | Ключевые готовые сервисы | Главные gaps |
+|---|---|---|---|---|
+| 🥇 1 | [...] | ~XX% | [...] | [...] |
+| 🥈 2 | [...] | ~XX% | [...] | [...] |
+
+---
+
+## Выводы и рекомендации
+
+### Общий паттерн
+[Что именно AI Factory покрывает хорошо, а что плохо в этом наборе сценариев]
+
+### Приоритетные gaps для развития платформы
+[1–5 дополнений к каталогу, которые бы закрыли больше всего пробелов]
+
+### Рекомендации по реализации
+1. **Что делать сразу** (high-coverage сценарии)
+2. **Что делать с кастомом** (middle-coverage сценарии — гибридная архитектура)
+3. **Что пересмотреть** (low-coverage сценарии — возможно, другая платформа / разбиение)
+
+### Паттерн гибридной реализации
+
+Для сценариев с покрытием 60–75% — типовой подход:
+- **Ядро оркестрации:** AI Workflows + AI Agents
+- **LLM-слой:** Foundation Models + Managed RAG
+- **Кастомные интеграции:** собственные MCP в Managed Kubernetes + HTTP-узлы в AI Workflows
+- **Нестандартные модели:** деплой через Evolution ML Inference
+- **Детерминированная логика:** Notebooks или отдельные сервисы на PostgreSQL