hos-critic-review

星标12

分支0

更新时间2026年8月2日 14:16

对任意技术对象（GitHub 项目/论文/技术文章/产品方案/License/数据集）执行六维批判式评审：拆解主张、攻击实验与方法漏洞、证据校验、专家评分，输出 Quick/Expert/Academic 报告。触发时机：用户要求点评/批判/审计/毒舌评价/评审/打分任何技术对象，或说「这个项目/论文/方案靠不靠谱」「值不值得学/投/用」「帮我审一下」「毒舌点评一下」，或调用 hos-critic-review。

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

来源

lxcxjxhx

lxcxjxhx/HOS_SKILL_WORKFLOW

打开 GitHub 仓库查看创作者相关仓库

下载

HOS-CRITIC-REVIEW · 六维批判式评审引擎

输入任意技术对象 → 分钟级输出可追溯、带证据、可决策的专家级评审。

一、这是什么

一个多 Agent 批判式评审 Skill：模拟领域专家（Reviewer #2 / 主程 / 安全审计 / 产品思维）对技术对象做高强度审查，回答的不是「它是什么」，而是**「它到底值不值得相信、投入、使用？」**。

不是总结器、评论机器人、安全扫描器（静态分析只是可选分析器之一）。
智能环节（批判、评分、毒舌点评）由宿主 LLM 执行；外部工具（GitHub API、Tree-sitter、GROBID 等）是可选增强，缺失时自动降级，流水线不中断。
完全独立体系：编号 HCR-FIND、六维评分、报告样式均为本项目自建。

二、七 Agent 流水线

Discovery → Chunk → Analyzer → Evidence → Critic → Judge → Report

步	Agent	产物	说明
1	Discovery	`ObjectProfile`	识别类型/领域/复杂度
2	Chunk	`ReviewUnit[]`	按类型自适应切片
3	Analyzer	`Finding[]`	领域分析（多插件可并行）
4	Evidence	`EvidenceReport[]`	逐条校验：证实/证伪/查不到
5	Critic	`Critique[]`	多角色攻击（毒舌但讲证据）
6	Judge	`SixDimScore`	六维评分 + 评级 + 一句话结论
7	Report	`ReviewReport`	三模板渲染 + JSON + 持久化

三、执行规则（铁律）

证据优先：No Evidence No Criticism。每条 Finding 必须挂 Evidence（含 unverifiable）；查不到写「查不到，证据缺口」，禁止编造。
结论先行：报告开头是评分卡（分数 + 一句话 + 维度条），长文靠后。
攻击对象，不攻击人：可骂方法/证据/实验/设计，禁止对作者/团队人格攻击。
先复述后拆台：先中性复述对象声称，再逐条攻击（声称 → 证据 → 缺口）。
结尾必须认可：至少一条「认可点」，毒舌文档不能纯喷。
降级不撒谎：工具缺失/网络失败必须写入 degradations，不许假装查证过。
打分必须可复核：每个维度分引用 finding/critique id，公式见 references/score-model.md。

四、执行路径

读入输入（URL / 文件路径 / 粘贴文本 / JSON 载荷），走 Discovery；
按类型选择切片策略（chunk-engine/）与分析器（references/ 内置清单）；
顺序执行七步，每步产物按 schemas/ 校验后进入下一步；
输出：人类报告（默认 Quick）+ 机器 JSON + 写入 database/ Review Store；报告格式可一键升级为美观网页 / PDF（见 §五与 docs/09，由 script 完成、不额外消耗 LLM token）；
输出语言跟随用户；默认中文。

最小可用路径：对象仅需快速评审时，可从 Chunk/Analyzer 起步（跳过外部抓取步骤），但 Critic + Judge + Report 必跑。

五、输出模式

模式	用途	模板
`quick`（默认）	评分卡 + TOP 发现	templates/quick.md
`expert`	完整分析报告	templates/expert.md
`academic`	论文审稿决策	templates/academic.md

输出格式（render --format）：

格式	说明
`md`	Markdown（默认，`render.ts`）
`html`	单文件美观网页（`render-html.ts`，内联 CSS，评分卡/维度条/徽章）
`pdf`	HTML → PDF（`render-pdf.py`，零 LLM token，weasyprint→playwright→Edge/Chrome 降级链）

六、配置

config.yaml：输出模式、辣度、六维权重、阈值、降级开关。用户一句话可覆盖（「正经点」→辣度 0，「往死里骂」→辣度 5）。

七、文档指针

完整规格：docs/（01-overview 起；输入提取与输出渲染见 09）
评分模型 / 编号体系 / 风格指南：references/
切片规则：chunk-engine/
正式 Schema：schemas/
评审记录：database/

同仓库更多 Skills

同仓库

hos-auto-workflow

lxcxjxhx/HOS_SKILL_WORKFLOW

HOS 自动化工作流 — 基于 Dify 平台的 AI 报告撰写自动化工具

2026-08-0212

hos-json-prompts

lxcxjxhx/HOS_SKILL_WORKFLOW

Structured prompt engineering framework with JSON templates for generating standardized, reusable AI prompts across diverse scenarios including articles, exams, projects, security, and operations.

2026-08-0212

hos-human-pass

lxcxjxhx/HOS_SKILL_WORKFLOW

人机验证通行技能 — 安全测试中的人机识别与验证机制研究

2026-08-0212

hos-sec-engine

lxcxjxhx/HOS_SKILL_WORKFLOW

方法论驱动的 AI 原生安全测试引擎

2026-08-0212

hos-save-cost

lxcxjxhx/HOS_SKILL_WORKFLOW

AI 原生产品工程技能系统 — 四技能集成，最小化 Token 成本、上下文爆炸和维护负担

2026-08-0212

hos-life-okr

lxcxjxhx/HOS_SKILL_WORKFLOW

生活OKR自动化学习引擎 — 将个人学习行为从「靠意志力的碎片化学习」升级为「由OKR驱动 + KPI约束 + 时间切片 + 自动任务生成 + 输出强制化的闭环系统」。适用于: 需要系统化学习某一领域技能; 希望通过OKR方法论管理个人成长; 学习效率低、缺乏输出驱动; 需要自动化任务调度和时间管理的学习者

2026-08-0212

name

HOS-CRITIC-REVIEW

description

HOS-CRITIC-REVIEW · 六维批判式评审引擎

输入任意技术对象 → 分钟级输出可追溯、带证据、可决策的专家级评审。

一、这是什么

不是总结器、评论机器人、安全扫描器（静态分析只是可选分析器之一）。
智能环节（批判、评分、毒舌点评）由宿主 LLM 执行；外部工具（GitHub API、Tree-sitter、GROBID 等）是可选增强，缺失时自动降级，流水线不中断。
完全独立体系：编号 HCR-FIND、六维评分、报告样式均为本项目自建。

二、七 Agent 流水线

Discovery → Chunk → Analyzer → Evidence → Critic → Judge → Report

步	Agent	产物	说明
1	Discovery	`ObjectProfile`	识别类型/领域/复杂度
2	Chunk	`ReviewUnit[]`	按类型自适应切片
3	Analyzer	`Finding[]`	领域分析（多插件可并行）
4	Evidence	`EvidenceReport[]`	逐条校验：证实/证伪/查不到
5	Critic	`Critique[]`	多角色攻击（毒舌但讲证据）
6	Judge	`SixDimScore`	六维评分 + 评级 + 一句话结论
7	Report	`ReviewReport`	三模板渲染 + JSON + 持久化

三、执行规则（铁律）

证据优先：No Evidence No Criticism。每条 Finding 必须挂 Evidence（含 unverifiable）；查不到写「查不到，证据缺口」，禁止编造。
结论先行：报告开头是评分卡（分数 + 一句话 + 维度条），长文靠后。
攻击对象，不攻击人：可骂方法/证据/实验/设计，禁止对作者/团队人格攻击。
先复述后拆台：先中性复述对象声称，再逐条攻击（声称 → 证据 → 缺口）。
结尾必须认可：至少一条「认可点」，毒舌文档不能纯喷。
降级不撒谎：工具缺失/网络失败必须写入 degradations，不许假装查证过。
打分必须可复核：每个维度分引用 finding/critique id，公式见 references/score-model.md。

四、执行路径

读入输入（URL / 文件路径 / 粘贴文本 / JSON 载荷），走 Discovery；
按类型选择切片策略（chunk-engine/）与分析器（references/ 内置清单）；
顺序执行七步，每步产物按 schemas/ 校验后进入下一步；
输出：人类报告（默认 Quick）+ 机器 JSON + 写入 database/ Review Store；报告格式可一键升级为美观网页 / PDF（见 §五与 docs/09，由 script 完成、不额外消耗 LLM token）；
输出语言跟随用户；默认中文。

最小可用路径：对象仅需快速评审时，可从 Chunk/Analyzer 起步（跳过外部抓取步骤），但 Critic + Judge + Report 必跑。

五、输出模式

模式	用途	模板
`quick`（默认）	评分卡 + TOP 发现	templates/quick.md
`expert`	完整分析报告	templates/expert.md
`academic`	论文审稿决策	templates/academic.md

输出格式（render --format）：

格式	说明
`md`	Markdown（默认，`render.ts`）
`html`	单文件美观网页（`render-html.ts`，内联 CSS，评分卡/维度条/徽章）
`pdf`	HTML → PDF（`render-pdf.py`，零 LLM token，weasyprint→playwright→Edge/Chrome 降级链）

六、配置

config.yaml：输出模式、辣度、六维权重、阈值、降级开关。用户一句话可覆盖（「正经点」→辣度 0，「往死里骂」→辣度 5）。

七、文档指针

完整规格：docs/（01-overview 起；输入提取与输出渲染见 09）
评分模型 / 编号体系 / 风格指南：references/
切片规则：chunk-engine/
正式 Schema：schemas/
评审记录：database/