SKILLEMALL.ai
GitHub ↗ EN Войти

AC employment-law-research

Исследует тему трудового права США на федеральном, штатном и городском уровнях и создает структурированные исследовательские заметки с надлежащим указанием источников. Используйте этот навык в любое время, когда пользователь спрашивает о законах, нормативных актах или текущем законодательстве США в области трудовых отношений — от вопроса по одному штату до обзора по всем 50 штатам. Триггеры включают фразы типа «research [employment law topic]», «what are the laws on [employment topic]», «state-by-state [employment topic]», «help me understand [topic] across the US» или любой запрос, который просит обзор правовой ситуации перед другим результатом. Всегда запускайте этот навык ПЕРЕД навыком employment-law-dashboard, если конечным результатом является панель управления. Результатом является структурированная исследовательская заметка, которая различает первичные источники (законы, постановления, руководство агентств) и вторичные источники (оповещения юридических фирм, отслеживающие организации).

машинный переводПоказать оригиналСкрыть оригинал«Research a US employment law topic across federal, state, and city jur…»

Research a US employment law topic across federal, state, and city jurisdictions and produce structured research notes with proper source attribution. Use this skill any time the user asks about US employment laws, regulations, or pending legislation - from a single jurisdiction question to a 50-state survey. Triggers include phrases like "research [employment law topic]", "what are the laws on [employment topic]", "state-by-state [employment topic]", "help me understand [topic] across the US", or any prompt that asks for a legal landscape overview before another deliverable. Always run this BEFORE the employment-law-dashboard skill if a dashboard is the eventual output. Output is a structured research note that distinguishes primary sources (statutes, regs, agency guidance) from secondary sources (law firm alerts, tracker orgs).

lawve-ai/awesome-legal-skills Agent Skills автор: lawve-ai 4 файла тело ≈ 2 372 токенов Открыть источникgithub.com↗ проанализирован 62 мин назад

Исследует тему трудового права США на федеральном, штатном и городском уровнях и создает структурированные исследовательские заметки с надлежащим указанием…

Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, ошибки и развилки, согласованность

ПроцедураДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: 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) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
90
Прогон на моделях
не было
Процессный рейтинг
C
54/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Повторный запуск вес 4
30
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 54/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (employment-law-research) не совпадает с папкой (employment-law-research-yue-deng-wu)
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 35
    • 100Стоимость исполнения. Тело инструкции 2372 токенов
    • 100Отчётность по ходу. Скилл сообщает о ходе работы

    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 841: 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: 11 заголовков
    • +3Пошаговые инструкции: 35 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 90.