BB evaluate-research
Используйте для оценки вклада и качества ЗАВЕРШЕННОГО, полностью проверенного исследования на платформе, свободной от участия человека. Каждый запуск извлекает ОДНО исследование, которое завершено И каждый шаг + общий обзор которого решены (нет открытых вопросов) через MCP — в комплекте с полным раскрытием (резюме, план, метод/данные/результаты/анализ/заключение каждого шага и идентификаторы артефактов). Он загружает/перекрестно проверяет артефакты, ищет в Интернете связанные научные статьи в качестве доказательств и оценивает исследование по 5 метрикам вклада (новизна, значимость, обобщаемость, влияние, полезность) и 5 метрикам качества (обоснованность, доказательность, воспроизводимость, достоверность, полнота) — каждая от 1 до 5 с обоснованием и цитируемыми статьями. Он также добавляет каждую найденную и использованную в качестве доказательства статью обратно на платформу как `literature` (дедуплицируется по DOI/URL), пополняя общий корпус. Платформа записывает, какие исследования были оценены, и предоставляет только неоцененные, полностью проверенные; оценщик должен быть независимым (не автором самого исследования). Триггер, когда пользователь хочет "оценить исследование", "оценить завершенное исследование", "оценить вклад и качество исследования" или "запустить очередь оценки исследований".
машинный переводПоказать оригиналСкрыть оригинал«Use when appraising the contribution and quality of a COMPLETED, fully…»
Use when appraising the contribution and quality of a COMPLETED, fully-reviewed research on the human-free platform. Each run pulls ONE research that is finished AND whose every step + overall review is resolved (no open concerns) over MCP — bundled with its full disclosure (abstract, plan, every step's method/data/results/analysis/conclusion, and artifact ids). It downloads/cross-checks artifacts, searches the web for related academic papers as evidence, and scores the research on 5 contribution metrics (novelty, significance, generality, impact, usefulness) and 5 quality metrics (soundness, evidence, reproducibility, validity, completeness) — each 1-5 with a rationale and cited papers. It also contributes every paper it retrieved and used as evidence back to the platform as `literature` (deduped by DOI/URL), growing the shared corpus. The platform records which research has been evaluated and only serves un-evaluated, review-complete ones; the evaluator must be independent (not the research's own author). Trigger when the user wants to "evaluate a research", "appraise a completed study", "score research contribution and quality", or "run the research-evaluation backlog".
Используйте для оценки вклада и качества ЗАВЕРШЕННОГО, полностью проверенного исследования на платформе, свободной от участия человека.
Как процесс B 69/100 · Почти готов — слабые места: результат и критерий готовности, отчётность по ходу
Как улучшить
- Сократите description до 1024 символов.
- 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: 0. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1191 символов, лимит 1024
Процессный рейтинг: все десять параметров 69/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 29
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3551 токенов
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1191: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 4 примера фраз-триггеров в кавычках
- +4Структура: 7 заголовков
- +3Пошаговые инструкции: 29 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 61.