SKILLEMALL.ai

AB cogneuro-paper-reader

Читает и обобщает исследовательские работы по когнитивной нейронауке и экспериментальной психологии (в формате PDF или простого текста) по темам внимания, рабочей памяти, устойчивого внимания, памяти, принятия решений и кодирования нейронных популяций. Извлекает структурированные заметки, охватывающие гипотезу, методы, участников, задачи, статистику, размеры эффекта, результаты и ограничения. Используйте, когда пользователь предоставляет научную работу и просит обобщить, объяснить, просмотреть или извлечь из нее ключевые выводы, методы или статистику.

машинный переводПоказать оригиналСкрыть оригинал«Reads and summarizes cognitive neuroscience and experimental psycholog…»

Reads and summarizes cognitive neuroscience and experimental psychology research papers (PDF or plain text) on attention, working memory, sustained attention, memory, decision-making, and neural population coding. Extracts structured notes covering hypothesis, methods, participants, tasks, statistics, effect sizes, results, and limitations. Use when the user provides an academic paper and asks to summarize, explain, review, or extract key findings, methods, or statistics from it.

ClawHub Agent Skills автор: guigui855 v1.0.1 MIT-0 4 файла тело ≈ 595 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Читает и обобщает исследовательские работы по когнитивной нейронауке и экспериментальной психологии (в формате PDF или простого текста) по темам внимания…

Как процесс B 68/100 · Почти готов — слабые места: входы и предусловия, ошибки и развилки, отчётность по ходу

АнализаторДанные и аналитикаТексты и документыИсследованиятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
B
68/100
Почти готов
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 68/100

    • 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
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 19
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 595 токенов
    • 100Повторный запуск. Изменяющих операций нет

    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 484 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 5 заголовков
    • +3Пошаговые инструкции: 19 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (0 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.

    Внешние проверки

    ClawHub: clean
    This is a straightforward academic-paper summarizer with no hidden code or sensitive access; the main caveat is that its structured summaries may be lengthy.
    LLM: benign (high) · VirusTotal: · 27 авг. 2026 г.