AC literature-review-paper-screener
Скринер статей для обзора литературы V1.1. Локальный агент (с доступом в интернет, бесплатно) ищет литературу, собирает доказательства, создает записи доказательств для каждой статьи с уровнями доступности доказательств A-D, отправляет ОДНУ статью в строку электронной таблицы в частный шаблон LoomLoom Cloud (строки выполняются как независимые параллельные задачи, поэтому скрининг никогда не превышает лимит времени платформы для каждого действия), затем проверяет и объединяет полученные результаты скрининга и создает Excel Paper Sheet + Reading List. Облако не имеет доступа в интернет; вы собираете доказательства, а оно их оценивает. Только тип задачи «Обзор литературы», фокус на медицинских науках.
машинный переводПоказать оригиналСкрыть оригинал«Literature Review Paper Screener V1.1. The local agent (internet-enabl…»
Literature Review Paper Screener V1.1. The local agent (internet-enabled, free) searches for literature, collects evidence, builds per-paper Evidence Records with Evidence Availability Levels A-D, submits ONE paper per workbook row to the private LoomLoom Cloud template (rows run as independent parallel tasks, so screening never exceeds the platform per-activity timeout), then audits and merges the returned screening results and renders Excel Paper Sheet + Reading List. Cloud has no internet access; you gather the evidence and it evaluates it. Literature Review task type only; Medical Science focus.
Скринер статей для обзора литературы V1.1. Локальный агент (с доступом в интернет, бесплатно) ищет литературу, собирает доказательства, создает записи…
Как процесс C 57/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, повторный запуск
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: 11. 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 57/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 11, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 70Стоимость исполнения. Тело инструкции 4559 токенов
- 85Шаги. Шагов: 61, расплывчатых формулировок: 2
- 100Ошибки и развилки. Развилок: 4, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- 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
- +2Инструкции на одном языке
- +3Длина description 606 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 18 заголовков
- +3Пошаговые инструкции: 61 пунктов
- +4Есть примеры (10 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 3)
- +3Все 3 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.