by 安全扫描
OpenClaw
安全
medium confidence该技能的指令、所需配置路径和行为与数学/代码审查工具一致，但要求智能体执行仓库测试/笔记本，并引用了未展示内容的 Night Market 配置键——使用前请检查。
评估建议
该技能看起来确实如其所述：引导人类/智能体审查数学密集型代码并运行测试/笔记本来收集证据。安装或运行前：1）检查所引用的两条 Night Market 配置项（night-market.pensive:shared 与 night-market.imbue:proof-of-work），确保其中不含不想暴露的密钥或令牌。2）未经沙箱处理，切勿对不受信任的仓库执行该技能——pytest 与运行 Jupyter 笔记本可执行任意代码、访问网络或泄露数据。3）确保执行环境已固定并隔离所需数值工具（SymPy、NumPy、SciPy、Jupyter），例如使用容器/VM。4）若计划允许智能体自动调用，需限制其运行时权限（网络、文件系统范围）或要求手动批准才能执行测试/笔记本。若能确认配置项安全且将在隔离环境中运行，该技能与其声明目的一致且逻辑清晰。...详细分析 ▾
✓ 用途与能力
名称/描述与内容匹配：该技能仅为指令型数学/算法审查，指导完成上下文同步、需求映射、符号推导检查、数值稳定性检查与测试执行。未请求无关凭据或二进制文件。声明的两条配置路径（night-market.pensive:shared、night-market.imbue:proof-of-work）合理属于 Night Market 生态，其存在与集成该系统的插件并不矛盾。
ℹ 指令范围
指令明确要求智能体运行仓库命令（git status/diff）、执行测试（pytest tests/math/ --benchmark）并运行笔记本（jupyter nbconvert --execute derivation.ipynb）。这对代码审查/验证技能而言是合理的，但在未检查的环境中执行测试或笔记本可运行仓库中的任意代码（包括网络访问或副作用）。SKILL.md 未包含任何沙箱或明确限制，也未列出所需数值包（SymPy、NumPy、Jupyter），尽管示例引用了它们。
✓ 安装机制
未提供安装规范或代码文件（仅指令），因此技能本身不会下载或写入任何内容。这是风险最低的安装模式，与声明的清单一致。
ℹ 凭证需求
技能未声明所需环境变量，也未请求广泛的云凭据。但需要两条 Night Market 配置路径（night-market.pensive:shared、night-market.imbue:proof-of-work）。清单未展示这些配置的内容；它们可能是无害设置，也可能包含令牌/凭据。由于技能会执行仓库测试/笔记本，运行时可能间接访问仓库或环境中存在的密钥——安装前请限制其访问或检查这些配置项。
✓ 持久化与权限
always:false 且 user-invocable:true（默认）——不会强制包含。技能未声明修改其他技能或系统级智能体设置的行为。平台默认允许自主调用，但该技能未与其他高风险权限结合。
安全有层次，运行前请审查代码。
运行时依赖
无特殊依赖
版本
latestv1.0.02026/4/15
数学审查技能初始发布。 - 提供验证数学密集型代码算法正确性、数值稳定性与标准符合度的工作流。 - 包含详细检查清单、输出模板及必需工作流步骤（上下文同步、需求映射、推导验证、稳定性评估、工作量证明）。 - 支持渐进式加载，实现可扩展的分析深度。 - 记录风险分类、必备检查清单与故障排除指南。 - 提供集成说明及权威标准引用。
● 无害
安装命令
点击复制官方npx clawhub@latest install nm-pensive-math-review
镜像加速npx clawhub@latest install nm-pensive-math-review --registry https://cn.longxiaskill.com
技能文档
name: Nm Pensive Math Review slug: nm-pensive-math-review description: Verify math-heavy code for algorithm correctness, numerical stability, and standards alignment tags: - code-review - mathematics - verification - numerical-analysis - algorithm version: 1.0.0 author: Night Market
Overview
This skill provides a structured workflow for reviewing math-heavy code, focusing on algorithm correctness, numerical stability, and standards alignment.
Workflow Steps
1. Context Synchronization
Sync the repository context and understand the codebase structure.
git status
git diff
2. Requirements Mapping
Map mathematical requirements to implementation.
3. Derivation Verification
Verify symbolic derivations and mathematical proofs.
jupyter nbconvert --execute derivation.ipynb
4. Stability Assessment
Assess numerical stability and precision.
pytest tests/math/ --benchmark
5. Proof of Work
Document findings and provide evidence.
Checklists
Algorithm Correctness
- [ ] Verify mathematical formulas
- [ ] Check boundary conditions
- [ ] Validate edge cases
- [ ] Test with known inputs
Numerical Stability
- [ ] Check for overflow/underflow
- [ ] Verify precision requirements
- [ ] Test with large inputs
- [ ] Assess conditioning
Standards Alignment
- [ ] Compare with IEEE standards
- [ ] Check numerical library conventions
- [ ] Verify unit consistency
- [ ] Document deviations
Output Template
# Math Review ReportAlgorithm Correctness
- Status: [PASS/FAIL]
- Findings: [...]
Numerical Stability
- Status: [PASS/FAIL]
- Findings: [...]
Standards Compliance
- Status: [PASS/FAIL]
- Findings: [...]
Recommendations
- [...]
Risk Classification
| Level | Description |
|---|---|
| Low | Minor numerical precision issues |
| Medium | Algorithm correctness concerns |
| High | Critical stability or standards violations |
Troubleshooting
Common Issues
- Precision Loss: Check data types and floating-point operations
- Overflow: Verify input ranges and intermediate calculations
- Convergence: Review iterative algorithm termination conditions
Required Tools
- SymPy
- NumPy
- SciPy
- Jupyter
Integration
This skill integrates with Night Market's configuration system. Refer to the following config keys:
night-market.pensive:sharednight-market.imbue:proof-of-work
References
- IEEE 754 Floating-Point Standard
- Numerical Recipes
- ACM Computing Standards