BC paper-relevance-filter
Оценивает кандидатную статью по списку ключевых слов и документу с критериями релевантности, возвращая KEEP/DROP/REVIEW с однострочным обоснованием и оценкой релевантности от 0 до 100. Объединяет силу совпадения ключевых слов, соответствие критериям и проверку исторического контекста (была ли эта статья или ее препринт уже освещена в недавнем дайджесте). Не зависит от предметной области — может использоваться в любом рабочем процессе сканирования литературы. Используйте после получения кандидатных статей из bioRxiv, medRxiv или PubMed и перед кластеризацией или синтезом. Ключевые слова — релевантность статьи, фильтрация статей, сохранить или отбросить, оценка статей, обоснование релевантности.
машинный переводПоказать оригиналСкрыть оригинал«Scores a candidate paper against a keyword watchlist and a relevance-c…»
Scores a candidate paper against a keyword watchlist and a relevance-criteria document, returning KEEP/DROP/REVIEW with a one-line rationale and a 0-100 relevance score. Combines keyword-match strength, criteria-fit, and a historical-context check (was this paper or its preprint already covered in a recent digest). Domain-neutral - usable for any literature-scan workflow. Use after fetching candidate papers from bioRxiv, medRxiv, or PubMed and before clustering or synthesis. Trigger keywords - paper relevance, filter papers, keep or drop, score papers, relevance rationale.
Оценивает кандидатную статью по списку ключевых слов и документу с критериями релевантности, возвращая KEEP/DROP/REVIEW с однострочным обоснованием и оценкой…
Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск
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: 1. 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 55/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 30Повторный запуск. Изменяющих операций: 15, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 55Ошибки и развилки. Развилок: 1
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 100Шаги. Шагов: 28
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2208 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- 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
- +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 579 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 5 заголовков
- +3Пошаговые инструкции: 28 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.