BD pasm-tutor
Обучающие агенты на основе когнитивного движка PASM. LearningTutor отслеживает освоение тем с помощью EMA (одна неудачная попытка не приводит к краху), выбирает следующую самую слабую тему (с 20% случайности, чтобы избежать зацикливания на одной теме), отвечает в ободряющем шаблоне, признавая трудности и предлагая наименьший выполнимый шаг, и экспортирует стабильный машиночитаемый снимок (освоение / самая слабая / средняя / размер истории / уровень) для последующих движков профилей. Неправильные ответы сохраняются как воспоминания с весом 3, чтобы можно было вспомнить связанные ошибки. Нулевая зависимость от LLM, работает в автономном режиме. Ключевые слова: pasm, tutor, mastery, adaptive practice, student profile, offline.
машинный переводПоказать оригиналСкрыть оригинал«Learning tutor agents built on the PASM cognitive engine. LearningTuto…»
Learning tutor agents built on the PASM cognitive engine. LearningTutor tracks per-topic mastery with an EMA (single bad attempt does not crater it), selects the weakest topic next (with 20% jitter to avoid grinding one topic), replies in an encouraging template that admits difficulty and offers the smallest actionable step, and exports a stable machine-readable snapshot (mastery / weakest / average / history_size / tier) for downstream profile engines. Wrong answers are stored as salience-3 memories so related mistakes can be recalled. Zero LLM dependency, offline-runnable. Keywords: pasm, tutor, mastery, adaptive practice, student profile, offline.
Обучающие агенты на основе когнитивного движка PASM.
Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 46/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 14
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1346 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 14. 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
- +2Инструкции на одном языке
- +3Длина description 658 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 15 заголовков
- +3Пошаговые инструкции: 14 пунктов
- +4Есть примеры (6 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.