SKILLEMALL.ai

CB ma-scout

Обнаружение тем для мета-анализа и оценка осуществимости. Сначала профессор (профиль → пробел), затем тема (вопрос → пробел → соавтор). Фаза перед протоколом от идеи до ранжированного списка тем.

машинный переводПоказать оригиналСкрыть оригинал«Meta-analysis topic discovery and feasibility assessment. Professor-fi…»

Meta-analysis topic discovery and feasibility assessment. Professor-first (profile → gap) or Topic-first (question → gap → co-author). Pre-protocol phase from idea to ranked topic list.

Aperivue/medsci-skills Agent Skills автор: Aperivue MIT 4 файла тело ≈ 6 748 токенов Открыть источникgithub.com проанализирован 31 ч назад

Обнаружение тем для мета-анализа и оценка осуществимости.

Как процесс B 67/100 · Почти готов — слабые места: результат и критерий готовности, когда включается, отчётность по ходу

АнализаторТексты и документыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
64
Прогон на моделях
не было
Процессный рейтинг
B
67/100
Почти готов
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • предупреждение body-long тело SKILL.md ≈ 6748 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"
  • заметка frontmatter-key неизвестное поле фронтматтера "tools"

Процессный рейтинг: все десять параметров 67/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 6748 токенов
  • 85Шаги. Шагов: 182, расплывчатых формулировок: 2
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 185 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 51 заголовков
  • +3Пошаговые инструкции: 182 пунктов
  • +4Есть примеры (14 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.