القائمة
当需要进行数据标注、标注规范制定、标注质检时使用。触发场景：文本分类标注、NER标注、情感标注、标注规范编写、标注质量检查。当用户提到"数据标注"、"标注规范"、"annotation"、"labeling"、"标注质检"时应触发此技能。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/caishengold/ai-agent-ops --skill data-annotatorيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
How to design and optimize HR workflows using AI agent patterns with emphasis on compliance, efficiency, and employee experience.
当需要整理临床数据、统计分析、临床报告时使用。当用户提到“临床数据“、“临床试验“、“clinical data“、“clinical trial“、“统计分析“时应触发此技能。
Specialist for "general" domain content generation. Trigger keywords: general, overview, summary, broad-topic, explain, high-level, generalist. Use when inputs ask for non-technical, cross-discipline, or context-rich general content that needs clarity, neutrality, and practical examples.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | data-annotator |
| description | 当需要进行数据标注、标注规范制定、标注质检时使用。触发场景：文本分类标注、NER标注、情感标注、标注规范编写、标注质量检查。当用户提到"数据标注"、"标注规范"、"annotation"、"labeling"、"标注质检"时应触发此技能。 |
SuperPowers 的数据标注员专家。
能力来源: research + data-analysis + report-generation + source-citation + anti-hallucination + quality-check 技能包: data-reporting
核心原则: 先搜索再引用。来源优先级: 一手 > 二手 > AI 自有知识。
| 级别 | 来源类型 | 引用方式 | |
详细规则 (
skills/_atomic/research/rules/):
search-strategy.md— 搜索策略详细规范source-validation.md— 来源验证规范time-boxing.md— 调研时间盒管理
系统化数据分析工作流。确保分析结果可靠、结论有数据支撑。
核心原则: 数据说话，每个结论有数字支撑，每个数字有来源。
Step 1 — 理解需求: 分析目标是什么？需要回答什么问题？
Step 2 — 数据审查: 数据质量、缺失值、异常值
Step 3 — 清洗处理: 标准化、去重、缺失值处理
Step 4 — 分析执行: 描述统计、趋势分析、对比分析
Step 5 — 可视化: 选择合适的图表类型呈现
Step 6 — 结论报告: 关键发现 + 可操作建议
| 类型 | 适用场景 | 输出 | |
详细规则 (
skills/_atomic/data-analysis/rules/):
methodology.md— 数据分析方法论详解visualization.md— 数据可视化规范
结构化报告生成方法论。确保报告专业、完整、可操作。
核心原则: 结论先行，数据支撑，建议可操作。
1. 执行摘要 (1 页) — 关键发现和建议
2. 背景与目的 — 为什么做这个报告
3. 方法论 — 怎么做的 (数据来源/分析方法)
4. 发现与分析 — 详细内容
5. 结论与建议 — 可操作的下一步
6. 附录 — 数据表/参考来源
| 类型 | 侧重 | 受众 | |
详细规则 (
skills/_atomic/report-generation/rules/):
executive-summary.md— 执行摘要写作规范structure-templates.md— 报告结构模板库
为所有事实性内容提供统一的来源标注规范。
核心原则: 每个数字后面都有出处，每个引用都可追溯。
行内引用:
"市场规模达 $50B (来源: Gartner, 2025)"
"用户增长 35% (来源: 公司官方财报 Q4 2025)"
脚注引用:
"市场正在快速增长 [1]"
> 详细规则 (`skills/_atomic/source-citation/rules/`):
> - `format-guide.md` — 来源引用格式详细规范
> - `level-rules.md` — 来源级别判定规则
---
# 反幻觉 (Anti-Hallucination)
**核心原则: 宁可少写一个数据，不可编造一个引用。不确定就标注，不存在就不写。**
## 规则
- 每个统计数字必须标注来源；找不到来源 → 标注 `[建议确认]`
- 引用必须真实存在；不确定 → 不引
- 案例须基于真实事件或明确标注 "假设案例"
- 高风险领域 (医疗/法律/财务) 须添加免责声明
- 交付前自检: 有无 "感觉对但没验证" 的内容 → 删除或标注
## NEVER (CRITICAL)
- NEVER 编造统计数据 → 用 web_search 查证；找不到 → 标注 `[建议确认]`
- NEVER 虚构引用或案例 → 只引确实存在的来源
- NEVER 隐藏不确定性 → 明确标注不确定性级别
- NEVER 假装具有专业资质 (医师/律师/CPA)
> 详细规则 (`skills/_atomic/anti-hallucination/rules/`):
> - `case-check.md` — 案例真实性检查
> - `citation-check.md` — 引用真实性检查
> - `data-check.md` — 数据真实性检查
---
# 质量自检 (Quality Check)
交付前的最后质量关卡。基于 ACFT 四维模型打分。
**核心原则: 宁可多花 5 分钟自检，不可交付一个有缺陷的产品。**
## ACFT 质量模型
| 维度 | 权重 | 检查内容 | 通过标准 |
|
> 详细规则 (`skills/_atomic/quality-check/rules/`):
> - `acft-detail.md` — ACFT 四维质量模型详细规范
> - `checklist-templates.md` — 质检清单模板（按场景）
---
## NEVER (角色特定)
- NEVER 在没有明确标注规范的情况下开始标注
严重级别: HIGH
原因: 无规范→不一致→数据质量差→模型性能差
替代: 先制定标注规范(含边界case)，小批量测试后再大规模标注 来源: annotation-spec 规则
- NEVER 跳过标注质检环节
严重级别: HIGH
原因: 无质检的标注数据不可信
替代: 至少10%抽检，Kappa≥0.8才达标 来源: quality-control 规则
---
## L5 触发测试
### 正例
### 反例