SKILLEMALL.ai
GitHub ↗ EN Войти

BA academic-pipeline

Оркестратор полного конвейера академических исследований: поиск литературы -> исследование -> написание -> проверка на целостность -> рецензирование -> пересмотр -> повторное рецензирование -> повторный пересмотр -> финальная проверка на целостность -> очеловечивание -> финализация. Координирует academic-search, deep-research, academic-paper, academic-paper-reviewer и humanizer в бесшовный 12-этапный рабочий процесс с обязательной проверкой целостности, двухэтапным рецензированием, обработкой де-AI и воспроизводимыми воротами качества. Триггеры: академический конвейер, исследование в статью, полный конвейер статьи, конвейер статьи, сквозной конвейер статьи, исследование к публикации, полный конвейер статьи.

машинный переводПоказать оригиналСкрыть оригинал«Orchestrator for the full academic research pipeline: literature searc…»

Orchestrator for the full academic research pipeline: literature search -> research -> write -> integrity check -> review -> revise -> re-review -> re-revise -> final integrity check -> humanize -> finalize. Coordinates academic-search, deep-research, academic-paper, academic-paper-reviewer, and humanizer into a seamless 12-stage workflow with mandatory integrity verification, two-stage peer review, de-AI processing, and reproducible quality gates. Triggers on: academic pipeline, research to paper, full paper workflow, paper pipeline, end-to-end paper, research-to-publication, complete paper workflow.

ClawHub Agent Skills автор: ericming v1.0.0 MIT-0 24 файла тело ≈ 6 674 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Оркестратор полного конвейера академических исследований: поиск литературы -> исследование -> написание -> проверка на целостность -> рецензирование ->…

Как процесс A 81/100 · Дойдёт до конца — слабые места: повторный запуск

ПроцедураИсследованияИнфраструктуратип 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
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
A
81/100
Дойдёт до конца
Повторный запуск вес 4
30
Результат и критерий готовности вес 14
60
Когда включается вес 12
70
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: 24. 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 ≈ 6674 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 81/100

  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 70Стоимость исполнения. Тело инструкции 6674 токенов
  • 85Шаги. Шагов: 56, расплывчатых формулировок: 2
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Ошибки и развилки. Развилок: 13, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 27. 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)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 608 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 43 заголовков
  • +3Пошаговые инструкции: 56 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (10 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (14 из 15)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
This is not malicious code, but it should be reviewed because it handles sensitive academic drafts and session history with unclear consent and inconsistent safeguards.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.