SKILLEMALL.ai

AB cs-paper-reading

Применяйте трехэтапный метод чтения Кешава, адаптированный для научных статей по информатике. Используйте при чтении исследовательских статей по CS для обзора литературы, исследований или учебы. Активируется по запросам «читать статью», «анализировать статью», «трехэтапный метод», «чтение статьи», «обзор литературы», «научная статья», «исследовательская статья», «статья по CS», «статья по информатике». Руководит систематическим чтением через фазы первого прохода (обзор), второго прохода (понимание содержания) и третьего прохода (глубокое понимание), а также интеграцию отчета о чтении.

машинный переводПоказать оригиналСкрыть оригинал«Apply Keshav's three-pass reading method adapted for computer science…»

Apply Keshav's three-pass reading method adapted for computer science academic papers. Use when reading CS research papers for literature review, research, or study. Triggers on "read paper", "analyze paper", "three-pass method", "paper reading", "literature review", "academic paper", "research paper", "CS paper", "computer science paper". Guides systematic reading through first pass (overview), second pass (content grasp), third pass (deep understanding), and reading report integration phases.

ClawHub Agent Skills автор: Zexun Lin v1.0.0 MIT-0 6 файлов тело ≈ 1 103 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте при чтении исследовательских статей по CS для обзора литературы, исследований или учебы.

Как процесс B 65/100 · Почти готов — слабые места: входы и предусловия, ошибки и развилки, повторный запуск

ИнтеграцияИсследованиятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
B
65/100
Почти готов
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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 65/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 57
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1103 токенов

    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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 9 примера фраз-триггеров в кавычках
    • +3Длина description 499 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 57 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.

    Внешние проверки

    ClawHub: clean
    This skill is a markdown-only guide for reading computer science papers and does not request code execution, credentials, persistence, or sensitive access.
    LLM: benign (high) · VirusTotal: · 28 мая 2026 г.