SKILLEMALL.ai

BC academic-search-zh

Поиск академической литературы / Поиск статей / Поиск литературы. Быстрое определение ключевых статей, разработка стратегии поиска, интерпретация методов исследования, генерация обзоров литературы. Применяется для написания дипломных работ аспирантами и магистрантами, для научных проектов преподавателей вузов, для исследований тем сотрудниками R&D отделов компаний. Охватывает рекомендации по поиску и управлению литературой в базах данных CNKI, Wanfang, Web of Science, Google Scholar и др. Пользователи часто ищут: как найти статью, как написать обзор литературы, техники поиска SCI, как быстро читать статьи, определение направления исследования, технические решения конкурентов, предварительное исследование проекта.

машинный переводПоказать оригиналСкрыть оригинал«学术文献检索 / 论文搜索 / 文献查找 / academic literature search。快速定位核心论文、制定搜索策略、解读研究…»

学术文献检索 / 论文搜索 / 文献查找 / academic literature search。快速定位核心论文、制定搜索策略、解读研究方法、生成文献综述。适用于硕博研究生撰写毕业论文、高校教师科研立项、企业研发人员课题调研等场景。覆盖知网、万方、Web of Science、Google Scholar等数据库的检索建议与文献管理。用户常搜:怎样找论文、文献综述怎么写、SCI检索技巧、如何快速阅读论文、研究方向定位、竞品技术方案、项目前期调研。

ClawHub Agent Skills автор: Olina1Ye v1.0.1 MIT-0 2 файла тело ≈ 339 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Поиск академической литературы / Поиск статей / Поиск литературы.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИсследованияИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
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: 2. 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 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 19
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 339 токенов

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 227 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 19 пунктов
  • +4Есть примеры (2 блоков кода)

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

Внешние проверки

ClawHub: clean
This is a Chinese academic literature-search helper with no executable code, hidden install behavior, credential use, persistence, or destructive capability shown.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.