SKILLEMALL.ai

CC xiaozhi-teach-math-error-analyzer

Анализ причин ошибок в классе по математике (средняя и старшая школа; в старшей школе охватываются обязательные и выборочные предметы): превращение ошибок в домашних заданиях и тестах в "что преподавать на следующем уроке математики". Рекомендуется активировать, когда учитель говорит: "Многие допустили ошибку в этой задаче по математике" "Общие причины ошибок в классе" "Какие математические концепции не усвоены?" "Что преподавать на следующем уроке математики?" "Тепловая карта математических концепций" "Этот ученик постоянно ошибается в одном и том же типе задач по математике". Основной рабочий процесс: сбор ошибок → срабатывание порогового значения (задачи с частотой ошибок > 30%) + выборка → классификация причин ошибок (семь категорий для учителя, отображение в четыре общих измерения при записи) → определение по карте знаний → профиль класса/индивидуальный профиль → рекомендации по педагогическому вмешательству. Не обрабатываются: составление тестов и двусторонних таблиц спецификаций (передать xiaozhi-teach-math-exam-designer), планы уроков, разбор уроков и построение концепций (передать xiaozhi-teach-math-lesson-planner), разработка и проверка домашних заданий (передать xiaozhi-teach-assignment-designer).

машинный переводПоказать оригиналСкрыть оригинал«数学教师的班级错因分析(初中与高中;高中覆盖必修与选择性必修):把作业与试卷的错题变成"下节数学课讲什么"。当老师说"这道数学题错得很多""…»

数学教师的班级错因分析(初中与高中;高中覆盖必修与选择性必修):把作业与试卷的错题变成"下节数学课讲什么"。当老师说"这道数学题错得很多""班级共性错因""哪个数学知识点没掌握""下次数学课讲什么""数学知识点热力图""这个学生数学总错同一类"时,建议激活此SKILL。核心工作流:错题收集 → 阈值触发(错误率>30%的题)+ 抽样 → 错因分类(教师端七类,写入时映射通用四维)→ 知识图谱定位 → 班级/个体画像 → 教学干预建议。不处理:出试卷与双向细目表(转 xiaozhi-teach-math-exam-designer)、教案、讲评课与概念建构(转 xiaozhi-teach-math-lesson-planner)、作业设计与批改台账(转 xiaozhi-teach-assignment-designer)。

ClawHub Hermes автор: 小智伴学 v2.11.1 MIT-0 17 файлов тело ≈ 4 299 токенов Открыть источникclawhub.ai↗ проанализирован 8 дн назад

Анализ причин ошибок в классе по математике (средняя и старшая школа; в старшей школе охватываются обязательные и выборочные предметы): превращение ошибок в…

Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторОбучениетип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
C
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
C
52/100
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: 17. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 365 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 "id"
  • заметка frontmatter-key неизвестное поле фронтматтера "min_platform_version"
  • заметка frontmatter-key неизвестное поле фронтматтера "max_round_limit"
  • 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 52/100

  • 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
  • 70Стоимость исполнения. Тело инструкции 4299 токенов
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 17
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 16. 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +5В description 7 примера фраз-триггеров в кавычках
  • +3Длина description 365 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 36 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (20 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (7 из 7)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: clean
This is a Chinese K12 math-teaching support skill that analyzes anonymized class error data and gives teacher-facing intervention suggestions with disclosed privacy and consent controls.
LLM: benign (high) · VirusTotal: · 8 окт. 2026 г.