SKILLEMALL.ai
GitHub ↗ EN Войти

BC hypogenic

Автоматическая генерация и проверка гипотез на основе LLM для табличных данных. Используйте, когда вы хотите систематически исследовать гипотезы о закономерностях в эмпирических данных (например, обнаружение обмана, анализ контента). Сочетает идеи из литературы с проверкой гипотез на основе данных. Для ручного формулирования гипотез используйте hypothesis-generation; для творческого поиска идей используйте scientific-brainstorming.

машинный переводПоказать оригиналСкрыть оригинал«Automated LLM-driven hypothesis generation and testing on tabular data…»

Automated LLM-driven hypothesis generation and testing on tabular datasets. Use when you want to systematically explore hypotheses about patterns in empirical data (e.g., deception detection, content analysis). Combines literature insights with data-driven hypothesis testing. For manual hypothesis formulation use hypothesis-generation; for creative ideation use scientific-brainstorming.

synthetic-sciences/OpenScience Agent Skills автор: synthetic-sciences Apache-2.0 2 файла тело ≈ 5 267 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Автоматическая генерация и проверка гипотез на основе LLM для табличных данных.

Как процесс C 53/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, повторный запуск

ГенераторGitHubИсследованияДанные 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
B
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 5267 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 53/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 5, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Стоимость исполнения. Тело инструкции 5267 токенов
  • 85Шаги. Шагов: 121, расплывчатых формулировок: 3
  • 100Согласованность. Имя и обязательные поля на месте
  • low Разделов верхнего уровня: 20. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее

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)
  • +2Инструкции на одном языке
  • +3Длина description 389 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 47 заголовков
  • +3Пошаговые инструкции: 121 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (25 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.