SKILLEMALL.ai

AC awl-academic-rewriter

Переписывает английскую прозу предложение за предложением в более академическую версию, используя прилагаемый список лексики AWL/NAWL. Используйте, когда пользователь просит академизировать, отполировать, пересмотреть или переписать английский текст с использованием академической лексики, сохраняя при этом смысл, время, утверждения и структуру документа, и когда требуются два выходных файла Markdown: отчет об изменениях на уровне предложений и полный пересмотренный документ.

машинный переводПоказать оригиналСкрыть оригинал«Rewrite English prose sentence by sentence into a more academic versio…»

Rewrite English prose sentence by sentence into a more academic version using the bundled AWL/NAWL vocabulary list. Use when the user asks to academicize, polish, revise, or rewrite English text with academic vocabulary while preserving meaning, tense, claims, and document structure, and when two Markdown outputs are needed: a sentence-level change report and a complete revised document.

ClawHub Agent Skills автор: John Do v1.0.0 MIT-0 6 файлов тело ≈ 1 816 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Переписывает английскую прозу предложение за предложением в более академическую версию, используя прилагаемый список лексики AWL/NAWL.

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу

ПроцедураИсследованиятип 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
C
59/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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: 6. 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 59/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Ошибки и развилки. Развилок: 4
    • 100Шаги. Шагов: 37
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1816 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее

    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 390 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 37 пунктов
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 1 скриптов описаны в инструкциях

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

    Внешние проверки

    ClawHub: clean
    This is a straightforward academic rewriting skill that uses local vocabulary files and a helper script, with the main caution being predictable Markdown output filenames.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.