SKILLEMALL.ai

AC chinese-journal-paper

На основе репозитория кода проекта автоматически сканирует код для извлечения инновационных идей и написания научных статей, соответствующих нормам китайских основных/общедоступных журналов. Основные возможности: ① сканирование репозитория кода и извлечение технических инноваций ② размещение ссылок в формате (заполняется вручную пользователем) ③ генерация полной статьи (название, аннотация, ключевые слова, введение, сопутствующая работа, методы, эксперименты, выводы). Триггерные слова: статья, написать статью, журнальная статья, научная статья, основной журнал, общедоступный журнал, китайская статья, journal paper, помоги написать статью, написать статью по коду, написать статью по проекту. Следует отдавать приоритет этому навыку, когда пользователь упоминает «статью» и контекст связан с кодом или проектом.

машинный переводПоказать оригиналСкрыть оригинал«从项目代码仓库出发,自动扫描代码提取创新点,撰写符合中文核心/普刊规范的学术论文。核心能力:① 代码仓库扫描与技术创新点提炼 ② 参考文献格…»

从项目代码仓库出发,自动扫描代码提取创新点,撰写符合中文核心/普刊规范的学术论文。核心能力:① 代码仓库扫描与技术创新点提炼 ② 参考文献格式占位(用户手动填充) ③ 生成完整论文(标题、摘要、关键词、引言、相关工作、方法、实验、结论)。触发词:论文、写论文、期刊论文、学术论文、核心期刊、普刊、中文论文、journal paper、帮我写论文、从代码写论文、项目写论文。当用户提到'论文'且上下文涉及代码或项目时,应优先使用此skill。

ClawHub Agent Skills автор: gaolegao2024 v1.0.0 MIT-0 5 файлов тело ≈ 1 622 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

На основе репозитория кода проекта автоматически сканирует код для извлечения инновационных идей и написания научных статей, соответствующих нормам китайских…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураЛичная продуктивностьИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 5. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 73
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1622 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 16. 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 220 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 28 заголовков
  • +3Пошаговые инструкции: 73 пунктов
  • +4Есть примеры (9 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: clean
This is a markdown-only Chinese academic paper drafting skill whose repository reading is disclosed and purpose-aligned, with no evidence of hidden execution or data exfiltration.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.