SKILLEMALL.ai

BC tooluniverse-rare-disease-diagnosis

Постановка дифференциального диагноза для пациентов с подозрением на редкие заболевания на основе фенотипа и генетических данных. Сопоставляет симптомы с терминами HPO, определяет возможные заболевания из Orphanet/OMIM, приоритизирует гены для тестирования, интерпретирует варианты с неопределенным значением. Используйте, когда клиницист спрашивает о диагностике редких заболеваний, необъяснимых фенотипах или интерпретации генетических тестов.

машинный переводПоказать оригиналСкрыть оригинал«Provide differential diagnosis for patients with suspected rare diseas…»

Provide differential diagnosis for patients with suspected rare diseases based on phenotype and genetic data. Matches symptoms to HPO terms, identifies candidate diseases from Orphanet/OMIM, prioritizes genes for testing, interprets variants of uncertain significance. Use when clinician asks about rare disease diagnosis, unexplained phenotypes, or genetic testing interpretation.

FreedomIntelligence/OpenClaw-Medical-Skills Agent Skills автор: FreedomIntelligence 4 файла тело ≈ 9 563 токенов Открыть источникgithub.com↗ проанализирован 15 ч назад

Постановка дифференциального диагноза для пациентов с подозрением на редкие заболевания на основе фенотипа и генетических данных.

Как процесс C 63/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, стоимость исполнения

АнализаторДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. 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 body-long тело SKILL.md ≈ 9563 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 63/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 4, без проверки текущего состояния
  • 40Стоимость исполнения. Тело инструкции 9563 токенов: вытесняет саму задачу из окна
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 50
  • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 17. 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 381 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 59 заголовков
  • +3Пошаговые инструкции: 50 пунктов
  • +4Есть примеры (30 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.