SKILLEMALL.ai
GitHub ↗ EN Войти

AC research-paper-monitor

Система интеллектуального мониторинга и уведомления об аннотациях научных статей. Автоматически отслеживает несколько академических источников (arXiv, PubMed, CNKI и т. д.), собирает новейшие статьи в соответствии с областью интересов и ключевыми словами пользователя, генерирует аннотации на китайском языке и отправляет их. Подходит для исследователей, аспирантов, преподавателей и т. д., которым необходимо отслеживать передовые научные достижения. Сценарии использования включают: (1) регулярный мониторинг новейших статей в определенной области исследований, (2) фильтрацию статей с высокой степенью релевантности по ключевым словам, (3) автоматическую генерацию аннотаций статей на китайском языке, (4) получение ежедневных/еженедельных уведомлений о статьях (требуется настройка канала Feishu).

машинный переводПоказать оригиналСкрыть оригинал«科研文献智能监测与摘要推送系统。自动监测多个学术信源（arXiv、PubMed、CNKI等），根据用户关注的领域和关键词采集最新论文，生成中…»

科研文献智能监测与摘要推送系统。自动监测多个学术信源（arXiv、PubMed、CNKI等），根据用户关注的领域和关键词采集最新论文，生成中文摘要并推送。适用于需要跟踪学术前沿的科研工作者、研究生、教师等。使用场景包括：(1) 定时监测特定研究领域的最新论文，(2) 根据关键词筛选高相关度论文，(3) 自动生成论文中文摘要，(4) 接收每日/每周文献推送（需配置飞书渠道）。

ClawHub Agent Skills автор: 孙金刚 v1.0.2 MIT-0 9 файлов тело ≈ 997 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Система интеллектуального мониторинга и уведомления об аннотациях научных статей.

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

ПроцедураИсследованияИнфраструктуратип 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
A
91/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
79
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.
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Опасные команды cmd-cron-mention references/advanced-usage.md:25
    Упоминание редактирования crontab
    crontab -e

Просканировано файлов: 9. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "clawhub"

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: 23
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 997 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +3Длина description 188 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 23 пунктов
  • +4Есть примеры (7 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +3Все 4 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: suspicious
The skill fits its research-paper monitoring purpose, but its webhook and external-integration examples handle sensitive notification endpoints and research-profile data too casually.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.