AB expert-panel
Оценивает, анализирует и итеративно улучшает любой контент или стратегию с помощью автоматически собранной группы отраслевых экспертов. Обрабатывает тексты, последовательности, целевые страницы, стратегические документы, заголовки, графики, оценки кандидатов или что-либо еще, что требует контроля качества. Рекурсивно повторяет итерации до тех пор, пока все оценки не достигнут 90+ (максимум 3 раунда). Используйте, когда вас просят: «провести экспертную оценку этого», «оценить это», «оценить эти варианты», «проверить качество этого», «провести панельное рецензирование», «какой вариант лучше», «экспертная оценка», «оценить этот текст/стратегию/страницу» или когда другой навык нуждается в контроле качества своих результатов. Также срабатывает на: «оценить эту целевую страницу», «провести экспертную оценку этих вариантов писем», «оценить этот заголовок», «провести панельное рецензирование этих графиков».
машинный переводПоказать оригиналСкрыть оригинал«Score, evaluate, and iteratively improve any content or strategy using…»
Score, evaluate, and iteratively improve any content or strategy using an auto-assembled panel of domain experts. Handles copy, sequences, landing pages, strategy docs, titles, charts, recruiting evaluations, or anything else that needs a quality gate. Recursively iterates until all scores hit 90+ (max 3 rounds). Use when asked to: "expert panel this", "score this", "rate these variants", "quality check this", "panel review", "which version is better", "expert score", "evaluate this copy/strategy/page", or when another skill needs a quality gate on its output. Also triggers on: "score this landing page", "expert panel these email variants", "rate this headline", "panel these charts".
Оценивает, анализирует и итеративно улучшает любой контент или стратегию с помощью автоматически собранной группы отраслевых экспертов.
Как процесс B 66/100 · Почти готов — слабые места: входы и предусловия, согласованность, 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 · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
низкая Утечка данных
read-dotenvREADME.md:61Чтение файла .envcp .env.example .env
Просканировано файлов: 25. 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 66/100
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 40Согласованность. Имя во frontmatter (expert-panel) не совпадает с папкой (content-ops)
- 55Ошибки и развилки. Развилок: 1
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 85Шаги. Шагов: 28, расплывчатых формулировок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Стоимость исполнения. Тело инструкции 1903 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)
- -35 из 5 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 12 примера фраз-триггеров в кавычках
- +3Длина description 692 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 20 заголовков
- +3Пошаговые инструкции: 28 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (7 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 93.