SKILLEMALL.ai
GitHub ↗ EN Войти

AD competitive-data-science

Используйте при работе над соревнованиями по науке о данных (Kaggle, CCF BDCI, DCIC и т. д.) для создания решений от базовых до топовых, охватывая обработку данных, инжиниринг признаков, построение моделей, методы обучения и стратегии слияния моделей.

машинный переводПоказать оригиналСкрыть оригинал«Use when working on data science competitions (Kaggle, CCF BDCI, DCIC,…»

Use when working on data science competitions (Kaggle, CCF BDCI, DCIC, etc.) to build from baseline to topline solutions, covering data processing, feature engineering, model building, training techniques, and model fusion strategies

ClawHub Agent Skills автор: zhouzy-creator v0.1.0 MIT-0 4 файла тело ≈ 2 865 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Используйте при работе над соревнованиями по науке о данных (Kaggle, CCF BDCI, DCIC и т.

Как процесс D 44/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторИнфраструктуратип 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
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
D
44/100
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

    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: 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 44/100

    • 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: 3, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (competitive-data-science) не совпадает с папкой (datacompetition-blueprint)
    • 85Шаги. Шагов: 31, расплывчатых формулировок: 1
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Стоимость исполнения. Тело инструкции 2865 токенов
    • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле

    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 233 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 37 заголовков
    • +3Пошаговые инструкции: 31 пунктов
    • +4Есть примеры (24 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

    Внешние проверки

    ClawHub: clean
    The skill is a competition-focused data science reference with example modeling code, and the noted broad wording is a scoping quality issue rather than a security concern.
    LLM: benign (high) · VirusTotal: · 29 авг. 2026 г.