SKILLEMALL.ai

BC xiaozhi-math-error-dna

Глубокий анализ корневых причин ошибок в математике для средней школы: детализирует общие четырехмерные категории анализа ошибок из журнала ошибок до подтипов математических ошибок (B/C/R/M + двухзначный код) и устанавливает межмерные связи. Типичные триггеры: "Почему я постоянно ошибаюсь в одном и том же месте по математике?", "Проанализируй закономерности моих математических ошибок", "Составь для меня ежемесячный отчет по моим математическим слабым местам", "Я очень плохо знаю математику". Не обрабатывает: сбор и подсчет ошибок (исключительно ответственность xiaozhi-correction-notebook, данный SKILL только принимает данные от него), объяснение конкретной задачи на месте (перенаправление к xiaozhi-math-problem-solving-coach), перестройку концепций (перенаправление к xiaozhi-math-concept-explainer), пошаговые упражнения (перенаправление к xiaozhi-math-gradient-trainer). Без согласия не создает долгосрочные профили и не передает данные между SKILL.

машинный переводПоказать оригиналСкрыть оригинал«初中数学错题的根因深度分析:把错题本判定的通用四维,细化为数学子类型(B/C/R/M + 两位编码)并做跨维度关联。典型触发:"为什么我数学…»

初中数学错题的根因深度分析:把错题本判定的通用四维,细化为数学子类型(B/C/R/M + 两位编码)并做跨维度关联。典型触发:"为什么我数学总在同一个地方错""帮我分析我的数学错误规律""帮我生成数学弱项月报""我数学太差了"。不处理:错题的收录与次数统计(由 xiaozhi-correction-notebook 唯一负责,本 SKILL 只接收它推送的交接)、单题当场讲解(转 xiaozhi-math-problem-solving-coach)、概念重建(转 xiaozhi-math-concept-explainer)、分层练习(转 xiaozhi-math-gradient-trainer)。未获同意时,不建立长期档案、不跨SKILL共享。

ClawHub Hermes автор: 小智伴学 v2.1.12 MIT-0 12 файлов тело ≈ 3 067 токенов Открыть источникclawhub.ai проанализирован 29 ч назад

Глубокий анализ корневых причин ошибок в математике для средней школы: детализирует общие четырехмерные категории анализа ошибок из журнала ошибок до подтипов…

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

ПроцедураЛичная продуктивностьтип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
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.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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-long-hermes description 329 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "grade_bands"
  • заметка frontmatter-key неизвестное поле фронтматтера "depends_on"
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"

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: 8
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3067 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
  • +2Инструкции на одном языке
  • +5В description 4 примера фраз-триггеров в кавычках
  • +3Длина description 329 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 24 заголовков
  • +3Пошаговые инструкции: 8 пунктов
  • +4Есть примеры (17 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: clean
This is a coherent math-learning skill that uses disclosed, consent-gated student error profiles and does not include executable or hidden behavior.
LLM: benign (high) · VirusTotal: · 7 сент. 2026 г.