name: code-optimizer description: 代码质量自动评估与优化系统 — 基于ML的代码评分、策略选择、自动优化 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 — 代码质量自动评估与优化

概述

基于机器学习的代码质量自动评估和优化系统。从 15 个标准测试案例、35 个特征维度出发，通过平衡随机森林模型自动评估代码质量并选择最优生成策略。

核心能力

性能指标

安装

前提条件

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

通过 ClawHub 安装

clawhub install code-optimizer

手动安装

# 克隆或复制到 skills 目录
cd ~/.openclaw/workspace
pip install scikit-learn numpy pandas

# 安装技能
clawhub install code-optimizer

使用方法

评估代码质量

# 评估单个文件
code-eval evaluate --code-file my_code.py --task "实现功能"

# 评估代码字符串
code-eval evaluate --code "def hello(): pass" --task "Hello World"

# 批量评估
code-eval batch --dir ./code_samples

运行标准测试

# 运行所有 15 个标准测试
code-eval test-suite

# 运行指定测试
code-eval test --case CASE_001
发现更多技能插件，请访问7w4.net。

选择生成策略

# 自动选择最优策略
code-eval select-strategy --code-file my_code.py
# 输出: balanced | emphasize_correctness | extreme_correctness

生成报告

# 生成 HTML 报告
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

与 Hermes 集成

当与 Hermes 记忆系统配合使用时： 1. 自动评估每个代码生成任务 2. 评估结果存入记忆系统 3. ML 数据集持续扩充 4. 策略选择融入任务规划

版本历史

许可

MIT License

这个 Skill 看起来很专业，声称能基于机器学习自动评估代码质量并优化。但实际使用时会遇到问题：部署脚本里写了死板的路径配置，在不同电脑上可能运行不了；很多功能只是"看起来有"，实际上没有真正实现。文档写得很详细，但和实际代码对不上，属于"纸老虎"类型的产品。