SKILLEMALL.ai
GitHub ↗ EN Войти

CC cancer-genomics-analysis

Вычислительные рабочие процессы геномики рака. Обнаружение и аннотирование соматических мутаций, характеристика структурных вариаций, анализ числа копий, оценка чистоты/плоидности опухоли, извлечение метагенов NMF и анализ сети репарации повреждений ДНК. Для баз данных раковых мутаций используйте cosmic-database; для клинической значимости вариантов используйте clinvar-database.

машинный переводПоказать оригиналСкрыть оригинал«Computational cancer genomics workflows. Somatic mutation detection an…»

Computational cancer genomics workflows. Somatic mutation detection and annotation, structural variation characterization, copy number analysis, tumor purity/ploidy estimation, NMF metagene extraction, and DNA damage response network analysis. For cancer mutation databases use cosmic-database; for variant clinical significance use clinvar-database.

synthetic-sciences/OpenScience Agent Skills автор: synthetic-sciences Apache-2.0 5 файлов · 4 скрипта тело ≈ 5 488 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Вычислительные рабочие процессы геномики рака.

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип 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
C
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
59/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 5488 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 59/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 70Стоимость исполнения. Тело инструкции 5488 токенов
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 26
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющих операций нет
  • 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

  • +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
  • -34 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 350 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 21 заголовков
  • +3Пошаговые инструкции: 26 пунктов
  • +4Есть примеры (14 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.