name: code-optimizer description: 程式碼質量自動評估與最佳化系統 — 基於ML的程式碼評分、策略選擇、自動最佳化 author: openclaw slug: code-optimizer version: 1.0.0 tags: [code-quality, evaluation, ml, optimization, code-review] homepage: https://clawhub.ai/skills/code-optimizer

🔧 Code Optimizer — 程式碼質量自動評估與最佳化

概述

基於機器學習的程式碼質量自動評估和最佳化系統。從 15 個標準測試案例、35 個特徵維度出發，通過平衡隨機森林模型自動評估程式碼質量並選擇最優生成策略。

核心能力

效能指標

安裝

小蔥技能7w4.net有完整的技能分類。

前提條件

• Python 3.9+
• scikit-learn 1.0+
• numpy, pandas

通過 ClawHub 安裝

clawhub install code-optimizer

手動安裝

# 克隆或複製到 skills 目錄
cd ~/.openclaw/workspace
pip install scikit-learn numpy pandas

# 安裝技能
clawhub install code-optimizer

使用方法

評估程式碼質量

# 評估單個檔案
code-eval evaluate --code-file my_code.py --task "實現功能"

# 評估程式碼字串
code-eval evaluate --code "def hello(): pass" --task "Hello World"

# 批次評估
code-eval batch --dir ./code_samples

執行標準測試

# 執行所有 15 個標準測試
code-eval test-suite

# 執行指定測試
code-eval test --case CASE_001

選擇生成策略

# 自動選擇最優策略
code-eval select-strategy --code-file my_code.py
# 輸出: balanced | emphasize_correctness | extreme_correctness

生成報告

# 生成 HTML 報告
code-eval report --format html --output report.html

配置

主配置

# config.yaml
evaluator:
  model_path: models/balanced_forest.pkl
  threshold: 0.5
  feature_count: 35

strategies:
  - balanced
  - emphasize_correctness
  - extreme_correctness

integration:
  auto_evaluate: true
  log_results: true
  feedback_loop: true

與 Hermes 整合

當與 Hermes 記憶系統配合使用時： 1. 自動評估每個程式碼生成任務 2. 評估結果存入記憶系統 3. ML 資料集持續擴充 4. 策略選擇融入任務規劃

版本歷史

許可

MIT License

這個 Skill 看起來很專業，聲稱能基於機器學習自動評估程式碼質量並最佳化。但實際使用時會遇到問題：部署腳本里寫了死板的路徑配置，在不同電腦上可能執行不了；很多功能只是"看起來有"，實際上沒有真正實現。文件寫得很詳細，但和實際程式碼對不上，屬於"紙老虎"型別的產品。