SKILLEMALL.ai
GitHub ↗ EN Войти

BC deep-research

Универсальное глубокое исследование с конвейером из 13 агентов на Hermes Agent. 7 режимов: полное исследование, краткий обзор, обзор статьи, литературный обзор, проверка фактов, диалог исследования с Сократом, систематический обзор с метаанализом. Использует delegate_task для каждого агента. Активируется по: research, deep research, literature review, systematic review, meta-analysis, PRISMA, evidence synthesis, fact-check, guide my research, help me think through, 研究, 深度研究, 文獻回顧, 系統性回顧, 後設分析, 事實查核, 引導我的研究, 幫我釐清.

машинный переводПоказать оригиналСкрыть оригинал«Universal deep research with 13-agent pipeline on Hermes Agent. 7 mode…»

Universal deep research with 13-agent pipeline on Hermes Agent. 7 modes: full research, quick brief, paper review, lit-review, fact-check, Socratic guided research dialogue, systematic review with meta-analysis. Uses delegate_task for each agent. Triggers on: research, deep research, literature review, systematic review, meta-analysis, PRISMA, evidence synthesis, fact-check, guide my research, help me think through, 研究, 深度研究, 文獻回顧, 系統性回顧, 後設分析, 事實查核, 引導我的研究, 幫我釐清.

ClawHub Agent Skills автор: Andy Ren v2.9.6 MIT-0 58 файлов тело ≈ 3 514 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Универсальное глубокое исследование с конвейером из 13 агентов на Hermes Agent.

Как процесс C 59/100 · Есть пробелы — слабые места: входы и предусловия, согласованность, отчётность по ходу

ПроцедураИИ и агентыИсследованияИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
59/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Согласованность вес 8
40
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.
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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Рискованное назначение intent-offensive-security references/interdisciplinary_bridges.md:164
    Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение) (определение детектора / чёрного списка)
    | Computer Science | Achieving fairness and explainability at the technical level | Fairness metrics, XAI, alignment | Algorithm design, benchmarking | Bias detection tools, explainable models, red te
    детектор
  • низкая Утечка данных exfil-secret-in-url shared/cross_model_verification.md:191
    Учётные данные в строке запроса URL (для части API это норма — проверьте, что хост нужный) (значение-заглушка)
    curl -s "https://generativelanguage.googleapis.com/v1beta/models/${ARS_CROSS_MODEL}:generateContent?key=…" \
    заглушка
  • низкая Утечка данных net-credential-use shared/cross_model_verification.md:191
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (адрес назначения — известный публичный сервис)
    curl -s "https://generativelanguage.googleapis.com/v1beta/models/${ARS_CROSS_MODEL}:generateContent?key=…" \
    известный сервис

Просканировано файлов: 58. 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")

Процессный рейтинг: все десять параметров 59/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 40Согласованность. Имя во frontmatter (deep-research) не совпадает с папкой (ars-deep-research)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 85Шаги. Шагов: 35, расплывчатых формулировок: 1
  • 100Стоимость исполнения. Тело инструкции 3514 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 19. 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)
  • -212 эмодзи в инструкциях: шум для модели
  • +2Инструкции на одном языке
  • +3Длина description 468 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 28 заголовков
  • +3Пошаговые инструкции: 35 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (13 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (12 из 20)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.

Внешние проверки

ClawHub: suspicious
This is mostly a coherent academic research workflow, but it needs Review because it includes hidden user-monitoring behavior and optional external model/API transmission paths that are not consistently consent-gated.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.