SKILLEMALL.ai
GitHub ↗ EN Войти

CC ct-safety

Анализ данных FDA FAERS для выявления сигналов безопасности «лекарство-событие» с помощью анализа непропорциональности (PRR / ROR / IC / EBGM с 95% ДИ) и оценки сигналов безопасности (0–100, T1–T4). Источники: FDA FAERS (openFDA drug/event.json), FDA Label (drug/label.json), бюллетени фармаконадзора NMPA Китая (cdr-adr.org.cn), DailyMed SPL, RxClass MED-RT, сводки об отзывах продукции openFDA, оповещения ADR Гонконга. Только общедоступные данные; конфиденциальная информация не используется.

машинный переводПоказать оригиналСкрыть оригинал«Screen drug–event safety signals via disproportionality analysis (PRR…»

Screen drug–event safety signals via disproportionality analysis (PRR / ROR / IC / EBGM with 95% CIs) on FDA FAERS, with Safety Signal Score (0–100, T1–T4). Sources: FDA FAERS (openFDA drug/event.json), FDA Label (drug/label.json), China NMPA PV bulletins (cdr-adr.org.cn), DailyMed SPL, RxClass MED-RT, openFDA enforcement recalls, Hong Kong ADR Alerts. Public data only; zero confidential input. / 基于 FDA FAERS 筛查药物-事件安全信号，计算 disproportionality（PRR / ROR / IC / EBGM，含 95% CI）与安全信号评分（0–100，T1–T4）。数据源：FDA FAERS（openFDA drug/event.json）、FDA 标签（drug/label.json）、中国 NMPA 药物警戒通报（cdr-adr.org.cn）、DailyMed 说明书、RxClass MED-RT、openFDA 召回执法、香港 ADR 警报。仅公开数据，零保密输入。

ClawHub Agent Skills автор: Wintone Zhang v0.10.0 MIT-0 73 файла · 41 скрипт тело ≈ 3 827 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Анализ данных FDA FAERS для выявления сигналов безопасности «лекарство-событие» с помощью анализа непропорциональности (PRR / ROR / IC / EBGM с 95% ДИ) и…

Как процесс C 58/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, повторный запуск

АнализаторExcelGitHubДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
C
87/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Повторный запуск вес 4
30
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 · 2

✓ Критических и высоких находок нет

Средние и низкие: 2
  • низкая Обфускация obf-base64-blob adapters/nmpa_coze.py:74
    Длинный blob, похожий на base64 (в кавычках — упоминание, а не команда)
    "Bg1n…CBs
    в кавычках
  • низкая Секреты в коде secret-high-entropy-token SKILL.md:58
    Строка, похожая на токен (может быть id, хеш или секрет) (строка таблицы в документации)
    | appId | `wbap…Vwl` · deploy metadata: `workbench/app.config.json` |
    таблица

Просканировано файлов: 73. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "cn_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "invocable"
  • заметка frontmatter-key неизвестное поле фронтматтера "required_commands"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"
  • заметка frontmatter-key неизвестное поле фронтматтера "permissions"
  • заметка edit-residue в тексте есть пометки об устаревшем (строки 123): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия

Процессный рейтинг: все десять параметров 58/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 18, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web, python, node), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 31
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3827 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 18. Похоже на несколько доменов в одном скилле

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
  • -329 из 34 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 656 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 22 заголовков
  • +3Пошаговые инструкции: 31 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (12 из 19)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: suspicious
This is mostly a public drug-safety analysis tool, but it needs review because it sends a persistent device-derived identifier to remote services and has broader endpoint behavior than the docs imply.
LLM: suspicious (high) · 9 окт. 2026 г.