SKILLEMALL.ai

AC paper-writing-studio

Рабочий процесс написания диссертаций, адаптированный для журналистики и коммуникаций. Используется для разделения написания диссертации на пять основных этапов: выбор темы и обоснование, обзор литературы, дизайн исследования, эмпирический анализ, выводы и ограничения, а затем определение типа диссертации (теоретическая, обзор литературы, количественное эмпирическое исследование, качественное исследование, контент-анализ, исследование случая, смешанные методы). Применяется, когда пользователь запрашивает «помоги мне написать диссертацию», «выбери тему диссертации», «напиши обзор литературы», «предложи исследовательскую гипотезу», «разработай методы исследования», «напиши эмпирический анализ», «диссертация по журналистике и коммуникациям», «диссертация магистра по новым коммуникациям». Поддерживает многократные итерации, переключение этапов, накопление материалов и сборку глав.

машинный переводПоказать оригиналСкрыть оригинал«新闻与传播学适配的论文写作工作流技能。用于把论文写作拆成选题论证、文献综述、研究设计、实证分析、结论与不足五大阶段,并先判断论文类型(理论型…»

新闻与传播学适配的论文写作工作流技能。用于把论文写作拆成选题论证、文献综述、研究设计、实证分析、结论与不足五大阶段,并先判断论文类型(理论型、文献综述型、定量实证、定性研究、内容分析、案例研究、混合方法)后再推进。适用于用户提出“帮我写论文”“做论文选题”“写文献综述”“提出研究假设”“设计研究方法”“写实证分析”“新闻与传播论文”“新传专硕论文”等需求。支持多轮迭代、阶段切换、材料沉淀与章节拼装。

ClawHub Agent Skills автор: kelcey2023 v0.1.0 MIT-0 12 файлов тело ≈ 1 129 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Рабочий процесс написания диссертаций, адаптированный для журналистики и коммуникаций.

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

ГенераторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
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: 12. 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")

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: 166
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1129 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

  • +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
  • +5В description 4 примера фраз-триггеров в кавычках
  • +3Длина description 201 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 26 заголовков
  • +3Пошаговые инструкции: 166 пунктов
  • +4Есть примеры (5 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

Внешние проверки

ClawHub: clean
This is a disclosed academic writing workflow skill with broad triggers but no hidden access, persistence, credential use, or destructive behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.