AD swmm-uncertainty
Распространение неопределенности параметров и оценка чувствительности для EPA SWMM. Используйте, когда агенту нужно (1) распространить неопределенность параметров через SWMM (нечеткое альфа-сечение или Монте-Карло), (2) количественно оценить огибающие гидрографов или энтропию выходных данных без рассмотрения запуска как калибровки, (3) определить, какие параметры важны, используя OAT / Morris elementary-effects / Sobol' indices, (4) сгенерировать ансамбль осадков (возмущение наблюдаемой серии или расчетные ливни по кривой IDF) и агрегировать результирующую огибающую гидрографов, или (5) построить интегрированное разложение источников неопределенности для рецензентов (`uncertainty_source_summary.md` + `uncertainty_source_decomposition.json`) по необработанным выходным данным предыдущих шагов.
машинный переводПоказать оригиналСкрыть оригинал«Parameter and forcing uncertainty propagation and sensitivity analysis…»
Parameter and forcing uncertainty propagation and sensitivity analysis for EPA SWMM. Use when an agent needs to (1) propagate parameter uncertainty through SWMM (fuzzy alpha-cut or Monte Carlo), (2) quantify hydrograph envelopes or output entropy without treating the run as calibration, (3) screen which parameters matter using OAT / Morris elementary-effects / Sobol' indices, (4) generate a rainfall ensemble (observed-series perturbation or IDF-curve design storms) and aggregate the resulting hydrograph envelope, or (5) build the integrated paper-reviewer-facing uncertainty source decomposition (`uncertainty_source_summary.md` + `uncertainty_source_decomposition.json`) over the raw outputs of the prior steps.
Распространение неопределенности параметров и оценка чувствительности для EPA SWMM.
Как процесс D 42/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
edit-residueв тексте есть пометки об устаревшем (строки 56, 214): проверьте, не остались ли старые правила рядом с новыми — полная проверка читает текст на противоречия
Процессный рейтинг: все десять параметров 42/100
- 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
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash, python, node), но во frontmatter они не объявлены
- 70Стоимость исполнения. Тело инструкции 4710 токенов
- 100Шаги. Шагов: 91
- 100Согласованность. Имя и обязательные поля на месте
- low Ответ описан самодельной разметкой (5 тегов): типизированный вызов надёжнее
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 718 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 17 заголовков
- +3Пошаговые инструкции: 91 пунктов
- +4Есть примеры (15 блоков кода)
- +3Все 10 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.