Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx skills add Tasachii/Tasachii-Tools --skill leak-checkgit clone --depth 1 https://github.com/Tasachii/Tasachii-ToolsWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/tasachii/tasachii-tools/leak-check)<a href="https://agentmods.dev/skills/tasachii/tasachii-tools/leak-check"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/leak-check/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/skills/tasachii/tasachii-tools/leak-check"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/leak-check.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00141 | $0.00937 |
| Opus 5 | $0.00071 | $0.00468 |
| Sonnet 5 | $0.00028 | $0.00187 |
| Haiku 4.5 | $0.00014 | $0.00094 |
Grade A, and why
leak-check scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 10d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 39 lines — stays where its author put it; the contents beside it link to each section on GitHub.
leak-check — metric สวยผิดปกติ ให้สงสัยว่ารั่ว ก่อนสงสัยว่าเก่ง
Phase 0 — อ่านทั้ง pipeline ไม่ใช่แค่ไฟล์เทรน
ไล่ตามเส้นทางข้อมูลจริง: โหลด → clean/feature engineering → split → fit → evaluate → (serve ถ้ามี) — leakage ส่วนใหญ่เกิดก่อนบรรทัด model.fit() และมองไม่เห็นถ้าเปิดดูแค่ตอนเทรน
Phase 1 — บาป 7 ข้อ
| # | บาป | หน้าตาในโค้ด | กลไกการรั่ว |
|---|---|---|---|
| 1 | Fit ก่อน split | scaler.fit(X) แล้วค่อย train_test_split |
สถิติของ test (mean/std/min-max) ซึมเข้า train — ต้อง fit เฉพาะ train แล้ว transform test |
| 2 | Temporal leakage | feature เป็น aggregate ทั้งช่วงเวลา, random split บนข้อมูลมีเวลา, ใช้ค่า "อนาคตของแถวนั้น" | โมเดลเห็นอนาคตตอนเทรน — ใน production ไม่มีอนาคตให้เห็น |
| 3 | Group leakage | user/คนไข้/ร้านเดิมอยู่ทั้ง train และ test | โมเดลจำ entity ไม่ใช่เรียน pattern — เจอ entity ใหม่แล้วร่วง |
| 4 | Target leakage | feature ที่เป็น proxy ของคำตอบ (ค่าที่รู้ได้ก็ต่อเมื่อเหตุการณ์เกิดแล้ว เช่น "จำนวนวันที่ค้างชำระ" ตอนทำนาย default) | metric เทพตอน dev, พังตอน serve เพราะ feature นั้นยังไม่มีค่า |
| 5 | Test contamination | ใช้ test set เลือก feature / tune hyperparameter / early stopping / เลือกโมเดล | test กลายเป็น validation — ตัวเลขสุดท้าย optimistic เสมอ |
| 6 | Randomness ไม่คุม | ไม่ seed numpy/torch/sklearn, split ใหม่ทุกรัน | ผล reproduce ไม่ได้ — เทียบ run ต่อ run ไม่มีความหมาย |
| 7 | Train/serve skew | preprocessing ตอนเทรนกับตอน serve เขียนคนละที่คนละ logic | โมเดลถูกแต่ input ตอนจริงคนละภาษากับตอนเทรน |
Phase 2 — รายงาน
ต่อ finding: file:line + เล่ากลไกรั่วเป็นเหตุการณ์ (ไม่ใช่แปะชื่อบาป) + วิธีแก้เจาะจง (pipeline object, split ใหม่, ตัด feature) + ผลต่อ metric
ปิดท้ายด้วย คำตัดสินรวม เสมอ:
- ✅ ไม่พบรั่ว — metric ปัจจุบันเชื่อได้ (ในขอบเขตที่โค้ดแสดง)
- ⚠️ พบรั่วเบา — ตัวเลข optimistic, แก้ข้อ X แล้ววัดใหม่เพื่อยืนยัน
- 🔴 พบรั่วหนัก — ตัวเลขที่รายงานไว้ใช้ไม่ได้ ต้องแก้แล้ว rerun ทั้งชุด ระบุลำดับ: แก้อะไรก่อน วัดใหม่ยังไง เทียบกับ baseline ไหน
กติกา
- ทุกข้อกล่าวหาต้องมีบรรทัดอ้างอิง — ไม่มีหลักฐาน = ไม่รายงาน
- อย่าเหมา: บาง pattern ดูเหมือนรั่วแต่ถูก (เช่น fit บน train ทั้งก้อนใน CV loop ที่ทำถูกแล้ว) — อ่าน context ก่อนฟันธง
- ถ้าแก้แล้ว metric ตก — นั่นคือข่าวดี (ตัวเลขจริงโผล่มาแล้ว) ช่วย user สื่อสารเรื่องนี้กับทีม/อาจารย์ให้เป็น
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 10d ago First seen · 39 lines · 141 tokens per session scan A 12138a5912e5
leak-check is a skill published in the GitHub repository Tasachii/Tasachii-Tools (2 stars, last pushed 1mo ago), licensed MIT. It adds 141 tokens to every session and 937 once invoked, about $0.0007 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-31.
Other skills, from other repositories
council-review
Multi-model validation council — auto-validate plans, architecture changes, and PRs via validate-plan/review before executing.
huggingface-llm-trainer
Train or fine-tune language models with TRL or Unsloth on Hugging Face Jobs, including SFT, DPO, GRPO, reward models, and GGUF conversion. Use for cloud LLM training; use huggingface-vision-trainer for vision tasks.
craft-goal
Compile or lint a persistent Mayor-style goal prompt that ratchets a bead graph through bounded RPI experiments toward one larger outcome. Triggers: "craft a goal prompt", "mayor goal", "goal-runner prompt", "lint this goal", "is this goal safe". (Shaping one experiment's intent routes to plan.).
huggingface-vision-trainer
Train object-detection, image-classification, or SAM segmentation models on Hugging Face Jobs. Use for vision fine-tuning and evaluation; use huggingface-llm-trainer for language models.
huggingface-best
Find and compare recommended Hugging Face models for a task using benchmarks, model size, and device constraints. Use for model selection questions; use huggingface-local-models for GGUF setup and hf-cli for Hub operations.
submit-github-pr
Use when publishing an existing TensorRT-Model-Connect change as a GitHub pull request. Verifies authenticated repository access, branch and diff scope, validation evidence, commit identity, reviewer-facing text, exact pushed head, and the created draft PR without merging it.