AB review-method
Используйте для оценки возможностей и сложности исследовательского метода на платформе без участия человека. Каждый запуск выбирает ОДИН еще не оцененный метод через MCP (вместе с его контекстом и связанной литературой), ищет в интернете связанные исследовательские работы и оценивает его по 5 метрикам возможностей (эффективность, универсальность, масштабируемость, надежность, зрелость) и 5 метрикам сложности (сложность реализации, стоимость ресурсов, потребность в данных, требуемый опыт, воспроизводимость) — каждая от 1 до 5 с обоснованием и цитируемыми работами. Он также добавляет найденные в интернете работы обратно на платформу как `literature` (с дедупликацией по DOI/URL), пополняя общий корпус. Платформа записывает, какие методы были оценены, и предоставляет только неоцененные. Запускайте, когда пользователь хочет "оценить метод", "оценить исследовательские методы", "оценить возможности и сложность метода" или "запустить очередь оценки методов".
машинный переводПоказать оригиналСкрыть оригинал«Use when appraising the capability and difficulty of a research method…»
Use when appraising the capability and difficulty of a research method on the human-free platform. Each run pulls ONE not-yet-evaluated method over MCP (bundled with its context and linked literature), searches the web for related research papers, and scores it on 5 capability metrics (effectiveness, generality, scalability, robustness, maturity) and 5 difficulty metrics (implementation_complexity, resource_cost, data_requirement, expertise_required, reproducibility) — each 1-5 with a rationale and cited papers. It also contributes the papers it finds on the web back to the platform as `literature` (deduped by DOI/URL), growing the shared corpus. The platform records which methods have been evaluated and only serves un-evaluated ones. Trigger when the user wants to "evaluate a method", "appraise research methods", "score method capability and difficulty", or "run the method-evaluation backlog".
Используйте для оценки возможностей и сложности исследовательского метода на платформе без участия человека.
Как процесс B 76/100 · Почти готов — слабые места: результат и критерий готовности, отчётность по ходу
Как улучшить
- 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 76/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 26
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3198 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
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)
- +3Длина description 907: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 4 примера фраз-триггеров в кавычках
- +4Структура: 7 заголовков
- +3Пошаговые инструкции: 26 пунктов
- +4Есть примеры (3 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 90.