AC chengdu-highschool-expert
Эксперт по поступлению в Чэнду, охватывающий два этапа: переход из начальной школы в среднюю (5-6 классы) и из средней школы в старшую (экзамен в среднюю школу). Предоставляет углубленный анализ поступления и рекомендации по подаче заявок на основе информации о прописке, статусе обучения и успеваемости пользователя. Сценарии использования: (1) Планирование выбора района для перехода из начальной школы в среднюю (5-6 классы) в Чэнду, (2) Подача заявок на экзамен в среднюю школу для учеников 9-х классов в Чэнду, (3) Определение целевых старших школ на основе результатов первого/второго предварительного экзамена, (4) Интерпретация политики поступления в Чэнду (одновременный прием в государственные и частные школы, "большие" и "малые" жеребьевки, распределение квот, дети мигрантов, ограничения по прописке и статусу обучения и т. д.), (5) Разработка стратегии подачи заявок "риск-стабильность-безопасность", (6) Запрос и сравнение районов распределения для средней школы. Используйте этот skill, когда пользователь задает вопросы, связанные с переходом из начальной школы в среднюю в Чэнду, подачей заявок на экзамен в среднюю школу, распределением по районам для средней школы, выбором старшей школы и т. д.
машинный переводПоказать оригиналСкрыть оригинал«成都升学专家技能，覆盖小升初（小五小六）和初升高（中考）两大阶段。根据用户户籍、学籍、成绩等信息提供深度升学分析和志愿填报建议。适用场景：(…»
成都升学专家技能，覆盖小升初（小五小六）和初升高（中考）两大阶段。根据用户户籍、学籍、成绩等信息提供深度升学分析和志愿填报建议。适用场景：(1) 成都幼升小/小升初选区规划，(2) 成都初三学生中考志愿填报，(3) 根据一诊/二诊成绩定位目标高中，(4) 解读成都升学政策（公民同招、大小摇号、指标到校、随迁子女、户籍学籍限制等），(5) 设计冲-稳-保志愿填报策略，(6) 初中划片查询与对比。当用户询问成都小升初、中考志愿、初中划片、高中选择等相关问题时使用此技能。
Эксперт по поступлению в Чэнду, охватывающий два этапа: переход из начальной школы в среднюю (5-6 классы) и из средней школы в старшую (экзамен в среднюю…
Как процесс C 53/100 · Есть пробелы — 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: 9. 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")
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: 42
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 784 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 235 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 17 заголовков
- +3Пошаговые инструкции: 42 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (5 из 7)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.