SKILLEMALL.ai

AB wos-feishu-literature

Используйте, когда пользователь упоминает wos, WOS, WoS или Web of Science и хочет выполнить поиск литературы по темам, войти в библиотеку Шэньчжэньского университета, отфильтровать статьи, извлечь аннотации и записать результаты в Feishu Base/многомерную таблицу через локальный lark-cli. Также используйте, когда пользователь хочет повторно используемый рабочий процесс WOS-to-Feishu, сбор академической литературы, поиск с фокусом на SSCI или процесс поиска китайской литературы в многомерную таблицу Feishu.

машинный переводПоказать оригиналСкрыть оригинал«Use when the user mentions wos, WOS, WoS, or Web of Science and wants…»

Use when the user mentions wos, WOS, WoS, or Web of Science and wants topic-based literature search, Shenzhen University library login, paper screening, abstract extraction, and writing results into a Feishu Base/multidimensional table via local lark-cli. Also use when the user wants a reusable WOS-to-Feishu workflow, academic literature collection, SSCI-focused retrieval, or a 中文文献检索到飞书多维表格流程.

ClawHub Agent Skills автор: SamadhiFire v1.0.1 MIT-0 4 файла тело ≈ 1 146 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте, когда пользователь упоминает wos, WOS, WoS или Web of Science и хочет выполнить поиск литературы по темам, войти в библиотеку Шэньчжэньского…

Как процесс B 70/100 · Почти готов — слабые места: результат и критерий готовности, согласованность, повторный запуск

ИнтеграцияИнфраструктураИсследованиятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
B
70/100
Почти готов
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Такой же скилл встречается ещё в 1 месте: ClawHub

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: 4. 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 70/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (wos-feishu-literature) не совпадает с папкой (zijiyong)
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 46
    • 100Ошибки и развилки. Развилок: 6, есть раздел про ошибки
    • 100Стоимость исполнения. Тело инструкции 1146 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

    • +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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 397 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 7 заголовков
    • +3Пошаговые инструкции: 46 пунктов
    • +4Есть примеры (0 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: clean
    This skill is a disclosed Web of Science-to-Feishu workflow that can use authenticated services and update Feishu tables, but its artifacts require user confirmation and show no hidden code or credential theft.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.