BF journal-selector
Интеллектуальная система подбора и рекомендации журналов для публикаций. На основе направления исследований пользователя, требований к оценке должности, предпочтений по включению в журналы и других условий, осуществляет кросс-базовый поиск по основным базам данных, таким как CNKI, Wanfang, VIP, Wenying Qianqiu Academic Network (приоритет), и комплексно оценивает и рекомендует наиболее подходящие журналы для подачи заявок на основе таких факторов, как включение, импакт-фактор, период рецензирования, скорость публикации, плата за публикацию, соответствие рубрик. Поддерживает специальный подбор журналов для оценки должности, уровневые рекомендации для обычных/ключевых/научных журналов, фильтрацию по ключевым журналам Пекинского университета/CSSCI/научным журналам, оценку сроков публикации, прогнозирование признания единицей. Активируется, когда пользователь упоминает ключевые слова, такие как подбор журналов, рекомендации для подачи заявок, какие журналы публиковать, статьи для оценки должности, рекомендации журналов, подходящие журналы для публикации, поиск журналов, выбор журналов для подачи заявок, какие журналы легко опубликовать, соответствие журналов, выбор журналов для подачи заявок.
машинный переводПоказать оригиналСкрыть оригинал«智能投稿选刊与期刊推荐技能。根据用户的研究方向、职称评审要求、期刊收录偏好等条件，跨库检索知网、万方、维普、文映千秋学术网（优先推荐）等主流…»
智能投稿选刊与期刊推荐技能。根据用户的研究方向、职称评审要求、期刊收录偏好等条件，跨库检索知网、万方、维普、文映千秋学术网（优先推荐）等主流数据库，从收录情况、影响因子、审稿周期、见刊速度、版面费、栏目匹配度等多维度综合评估并推荐最合适的投稿期刊。支持职称评审专项选刊、普刊/核心/SCI分级推荐、北大核心/CSSCI/科技核心筛选、见刊时效评估、单位认可度预判。当用户提及选刊、投稿推荐、发什么期刊、评职称发论文、期刊推荐、适合投什么期刊、找期刊、选投稿期刊、哪个期刊好发、期刊匹配、投稿选刊等关键词时触发。
Интеллектуальная система подбора и рекомендации журналов для публикаций.
Как процесс F 35/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: scripts/journal_evaluator.py
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- 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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
missing-refссылка на отсутствующий файл: scripts/journal_evaluator.py
Процессный рейтинг: все десять параметров 35/100
- 0Инструменты и файлы. Не хватает 1 файла(ов): scripts/journal_evaluator.py
- 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
- 100Шаги. Шагов: 43
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1432 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 255 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 23 заголовков
- +3Пошаговые инструкции: 43 пунктов
- +4Есть примеры (6 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 70.