SKILLEMALL.ai

AB paper-cluster-survey-v2-2

Извлекайте структурированные научные статьи из одного или нескольких локальных PDF, ссылок arXiv, ссылок DOI или общих ссылок на статьи, затем классифицируйте статьи и напишите академический обзор. Используйте, когда задача включает смешанные источники статей, сбор литературы по ссылкам, составление обзора на основе PDF, построение таксономии или создание формального обзора литературы из набора статей. По умолчанию предоставляйте одну таблицу классификации и один интегрированный обзор для всего корпуса; пишите отдельные обзоры для каждой категории только тогда, когда пользователь явно запрашивает обзоры по категориям.

машинный переводПоказать оригиналСкрыть оригинал«Extract structured paper records from one or more local PDFs, arXiv li…»

Extract structured paper records from one or more local PDFs, arXiv links, DOI links, or general paper URLs, then classify the papers and write an academic survey review. Use when the task involves mixed paper sources, URL-first literature collection, PDF-based review drafting, taxonomy building, or producing a formal literature review from a paper set. By default, provide one classification table and one integrated review for the full corpus; only write separate reviews for each category when the user explicitly asks for per-category reviews.

ClawHub Agent Skills автор: huang888596 v2.2.0 MIT-0 11 файлов тело ≈ 1 407 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Извлекайте структурированные научные статьи из одного или нескольких локальных PDF, ссылок arXiv, ссылок DOI или общих ссылок на статьи, затем классифицируйте…

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

ИнтеграцияИсследованиятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
90
Прогон на моделях
не было
Процессный рейтинг
B
71/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Инструменты и файлы вес 18
60
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 11. 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 71/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 81
    • 100Ошибки и развилки. Развилок: 7, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1407 токенов
    • 100Повторный запуск. Изменяющих операций нет

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 549 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 81 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (4 из 4)
    • +3Все 3 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 90.

    Внешние проверки

    ClawHub: clean
    This skill does what it claims: it reads supplied paper files or URLs, extracts metadata, and helps draft a survey, with some normal but review-worthy network and local-tool behavior.
    LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.