CC experimentation-analytics
Как читать результаты экспериментов, не обманывая себя. Доверительные интервалы, p-значения, множественное тестирование, последовательное тестирование, CUPED, гетерогенные эффекты воздействия, метрики соотношения, сетевые эффекты, согласование панелей мониторинга и ошибки интерпретации, которые приводят к уверенно неверным решениям о запуске. Используйте этот навык всякий раз, когда пользователь читает готовую панель результатов эксперимента и собирается принять решение о запуске, отмене или итерации, или когда число эксперимента не совпадает с числом на панели мониторинга. Срабатывает по запросам: чтение результатов эксперимента, панель результатов, решение о запуске или отмене, p-значение, доверительный интервал, статистическая значимость, множественное тестирование, подглядывание, последовательное тестирование, CUPED, снижение дисперсии, гетерогенные эффекты воздействия, метрика соотношения, сетевые эффекты, неубедительный тест, несоответствие эксперимента и панели мониторинга. Используйте `experiment-design` вместо этого, когда тест еще не проводился, а вопрос касается гипотезы, размера выборки, продолжительности или того, что тестировать.
машинный переводПоказать оригиналСкрыть оригинал«How to read experiment results without fooling yourself. Confidence in…»
How to read experiment results without fooling yourself. Confidence intervals, p-values, multiple testing, sequential testing, CUPED, heterogeneous treatment effects, ratio metrics, network effects, dashboard reconciliation, and the interpretation failures that produce confidently wrong shipping decisions. Use this skill whenever the user is reading a finished experiment result panel and about to make a ship, kill, or iterate decision, or when an experiment number does not match the dashboard number. Triggers on read experiment results, result panel, ship or kill decision, p-value, confidence interval, statistical significance, multiple testing, peeking, sequential testing, CUPED, variance reduction, heterogeneous treatment effects, ratio metric, network effects, inconclusive test, experiment versus dashboard mismatch. Use `experiment-design` instead when the test has not run yet and the question is hypothesis, sample size, duration, or what to test.
Как читать результаты экспериментов, не обманывая себя.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 8624 токенов (рекомендуется < 5000); вынесите детали в references/ - заметка
frontmatter-keyнеизвестное поле фронтматтера "catalog_summary" - заметка
frontmatter-keyнеизвестное поле фронтматтера "display_order"
Процессный рейтинг: все десять параметров 51/100
- 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
- 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
- 40Стоимость исполнения. Тело инструкции 8624 токенов: вытесняет саму задачу из окна
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 85Шаги. Шагов: 89, расплывчатых формулировок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Согласованность. Имя и обязательные поля на месте
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Разделов верхнего уровня: 17. 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)
- +3Длина description 964: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 18 заголовков
- +3Пошаговые инструкции: 89 пунктов
- +4Справочные файлы упоминаются в инструкциях (7 из 7)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.