BD LLM-Text-Correct
Автоматически активируется, когда пользователь хочет **исправить ошибки в китайском тексте**, **исправить опечатки**, **скорректировать грамматику**, **настроить пунктуацию**, **отредактировать китайские предложения**, **проверить ошибки похожих иероглифов**. Использует профессиональные модели pycorrector + MacBERT для высокоточного исправления китайского текста, точность значительно выше, чем при прямом запросе к обычному LLM. Поддерживает ввод текста напрямую, длинного текста или указание пути к текстовому файлу. Распространенные триггеры (чем больше, тем лучше): - «Исправь этот текст для меня» - «Исправь опечатки в этом китайском тексте» - «Исправь грамматику и пунктуацию в этом абзаце» - «Проверь, есть ли ошибки в этом китайском тексте» - «Отредактируй это предложение» / «Оптимизируй этот текст» - «Исправь ошибки в этом тексте» - «Исправь мой китайский с помощью профессиональной модели» - «Исправление текста» / «Корректор китайского языка» - «В этом абзаце есть опечатки, исправь их» [Важное ограничение] В основном для исправления китайского текста, для английского или других языков сначала используйте обычный LLM.
машинный переводПоказать оригиналСкрыть оригинал«当用户想要**纠正中文文本错误**、**修改拼写错别字**、**修正语法**、**调整标点**、**润色中文句子**、**检查形近字错误**…»
当用户想要**纠正中文文本错误**、**修改拼写错别字**、**修正语法**、**调整标点**、**润色中文句子**、**检查形近字错误**时自动触发。 使用 pycorrector + MacBERT 专业模型进行高精度中文纠错，准确率远高于普通 LLM 直接提示。 支持直接输入一段文字、长文本，或提供文本文件路径。 常见触发口语（越多越好）： - “帮我纠正这段文字” - “修正这个中文文本的错别字” - “帮我改一下这段话的语法和标点” - “检查这段中文有没有错字” - “润色这个句子” / “优化这段文字” - “把这段文字纠错” - “用专业模型修正我的中文” - “文本纠错” / “中文纠错器” - “这段话有错别字，帮我改改” 【重要约束】主要针对中文文本纠错，英文或其他语言优先用普通 LLM 处理。
Автоматически активируется, когда пользователь хочет исправить ошибки в китайском тексте, исправить опечатки, скорректировать грамматику, настроить…
Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 10. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 46/100
- 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
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 15
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 291 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
- +4Нет примеров входа/выхода
- -35 из 6 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 9 примера фраз-триггеров в кавычках
- +3Длина description 365 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 15 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.