SKILLEMALL.ai

BB academic-results-writer

Навык написания, редактирования и аудита научных результатов. Генерирует разделы «Результаты», соответствующие стандартам публикации, на основе статистических данных, диаграмм, подписей и черновиков. Охватывает психологию, когнитивную нейронауку, сон и память, VR-эксперименты, ЭЭГ/фМРТ, психометрику, исследования вмешательств, модели опросников, мета-анализ и качественные исследования. По умолчанию выводит на китайском языке, опционально на английском и в стиле конкретных журналов. Поддерживает режим адаптации стиля результатов целевой статьи и интеграцию пакета передачи модулей H Writer Transfer Packet из paper-results-reverse-engineer v3.0+.

машинный переводПоказать оригиналСкрыть оригинал«学术 Results 写作、修改与审计技能。根据统计输出、图表、caption 和草稿生成符合发表规范的 Results 段落。覆盖心理学、…»

学术 Results 写作、修改与审计技能。根据统计输出、图表、caption 和草稿生成符合发表规范的 Results 段落。覆盖心理学、认知神经科学、睡眠与记忆、VR 实验、EEG/fMRI、心理测量、干预研究、问卷模型、元分析和质性研究等设计。默认输出中文,可选英文及特定期刊风格。支持 Target-paper Results Style Adaptation Mode 和来自 paper-results-reverse-engineer v3.0+ 的 Module H Writer Transfer Packet 集成。

ClawHub Agent Skills автор: bin77-chris v1.2.1 MIT-0 19 файлов тело ≈ 3 904 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Навык написания, редактирования и аудита научных результатов.

Как процесс B 71/100 · Почти готов — слабые места: входы и предусловия, повторный запуск, отчётность по ходу

ГенераторИсследованияИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
B
71/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 19. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 71/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (read), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Шаги. Шагов: 62
  • 100Когда включается. Сказано, когда применять и когда не применять
  • 100Ошибки и развилки. Развилок: 5, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3904 токенов
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 21. 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)
  • +4Нет примеров входа/выхода
  • -5В тексте остались TODO / заглушки
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 268 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 24 заголовков
  • +3Пошаговые инструкции: 62 пунктов
  • +3Формат ответа описан явно
  • +4Справочные файлы упоминаются в инструкциях (10 из 10)

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

Внешние проверки

ClawHub: clean
This is a coherent academic writing skill; its main caveat is a disclosed automatic file-output mode that writes long results drafts to a Desktop folder.
LLM: benign (high) · VirusTotal: · 28 мая 2026 г.