SKILLEMALL.ai
GitHub ↗ EN Войти

BD med-emr-qc-pe-hpi-inconsistent

Контроль качества содержания амбулаторных медицинских карт: несоответствие результатов физикального осмотра и истории настоящего заболевания. На основе текста амбулаторной карты вызывает внутреннюю медицинскую большую модель для вывода отсутствия дефектов или наличия дефектов и их причин.

машинный переводПоказать оригиналСкрыть оригинал«门诊病历内涵质控：体格检查结果与现病史不符。给定门诊病历文本，调用内部医疗大模型，输出无缺陷或有缺陷及原因。…»

门诊病历内涵质控：体格检查结果与现病史不符。给定门诊病历文本，调用内部医疗大模型，输出无缺陷或有缺陷及原因。

ClawHub Agent Skills автор: Unisound-LLM v1.0.2 MIT-0 6 файлов тело ≈ 532 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Контроль качества содержания амбулаторных медицинских карт: несоответствие результатов физикального осмотра и истории настоящего заболевания.

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИнфраструктуратип 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
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
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.
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

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 41/100

  • 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
  • 40Согласованность. Имя во frontmatter (med-emr-qc-pe-hpi-inconsistent) не совпадает с папкой (unisound-pe-hpi-inconsistent)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 20
  • 100Стоимость исполнения. Тело инструкции 532 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 54: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 5 заголовков
  • +3Пошаговые инструкции: 20 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 3 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
This medical-record QC skill has sensitive but mostly disclosed behavior: it reads user-provided records, calls a named LLM endpoint, and writes results locally.
LLM: benign (medium) · VirusTotal: · 16 июл. 2026 г.