跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
搜索与研究

undress

去除论文、开源项目、技术博客、简历项目和产品介绍中的包装性语言,基于论文、代码、实验与原始材料,简单说明作者实际复用了什么、修改了什么、实现了什么、验证了什么。用于用户询问“这个工作到底做了什么”“是不是过度包装”“创新点本质是什么”“去掉术语重新解释”或需要审视技术工作的真实含金量时。

HOWILLMAKEIT · 已有静态检查记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add HOWILLMAKEIT/skills --skill undress

技能说明


name: undress description: 去除论文、开源项目、技术博客、简历项目和产品介绍中的包装性语言,基于论文、代码、实验与原始材料,简单说明作者实际复用了什么、修改了什么、实现了什么、验证了什么。用于用户询问“这个工作到底做了什么”“是不是过度包装”“创新点本质是什么”“去掉术语重新解释”或需要审视技术工作的真实含金量时。

技术工作去包装

基本原则

保持客观,不替作者宣传,也不要为了“去包装”而反向贬低工作。

必须区分:

  • 概念复杂度:核心想法是否简单;
  • 实现难度:工程接入、训练和调试是否困难;
  • 实验严谨度:是否有充分基线、消融和独立评测;
  • 证据强度:结论来自论文、代码、日志,还是仅来自 README、简历或宣传材料。

“没有提出新理论”不等于“没有工作量”;“工程量大”也不等于“算法创新强”。

分析流程

1. 先读取一手材料

优先检查:

  1. 论文方法、实验和附录;
  2. 仓库代码、配置、提交记录和运行结果;
  3. 官方技术报告;
  4. README、博客和演讲稿;
  5. 简历、新闻稿和社交媒体介绍。

如果只有作者自述,明确标注“以下基于作者描述,尚未由代码或实验验证”。

2. 找出原有基础

说明作者直接采用了哪些现成内容:

  • 基础模型、算法和训练框架;
  • 数据集、Benchmark 和评测脚本;
  • 开源 Agent、工具链或已有 Pipeline;
  • 已知方法、公式或工程组件。

不要把“使用某个框架”写成作者实现了该框架。

3. 提取真实增量

把工作压缩成可核查的动词:

  • 新增了什么;
  • 修改了哪条公式、损失、奖励或采样策略;
  • 接通了哪些模块;
  • 修复了什么具体问题;
  • 做了哪些对照和消融;
  • 指标在什么设置下发生了怎样的变化。

如果算法核心只有一条公式或几条规则,直接说清楚,不使用“创新框架”“系统性范式”等替代具体内容。

4. 分层归类

将工作归入以下类别,避免混在一起制造复杂感:

类别要回答的问题
算法改动奖励、损失、优势、采样或模型结构具体改了什么?
工程实现接入、并发、显存、部署、容错具体做了什么?
数据工作数据如何收集、筛选、标注或划分?
评测工作使用什么基线、指标、消融、Seed 和测试集?
最终证据哪个指标相对哪个基线提高了多少?

5. 检查结论是否成立

逐项检查:

  • 对比条件是否一致;
  • 是否把训练指标当成测试效果;
  • 是否只挑选最佳 Checkpoint;
  • 是否有独立测试集或数据泄漏;
  • 是否有多 Seed、方差或置信区间;
  • 消融能否隔离每个组件的贡献;
  • 相对提升是否掩盖了很小的绝对提升;
  • 工程优化是否被包装成算法创新;
  • 使用现成组件是否被描述为从零实现。

无法验证时写“没有足够证据”,不要替作者补全故事。

默认输出格式

优先使用下面的简洁结构。

一句话结论

用一句话说明:

去掉包装后,这项工作主要做了 A、B,以及必要的 C。

实际完成的工作

按重要性列出 2~5 项,每项使用具体动词和对象。

哪些属于包装

把宣传词翻译成具体事实。例如:

包装表达具体含义
构建端到端系统接通了数据、模型、工具和评测几个阶段
提出全新框架在现有框架上增加了若干模块或规则
系统性优化调整了多个参数并完成若干组实验
显著提升在指定数据和设置下从 X 提升到 Y
自研 Agent 引擎编写了 Agent Loop、状态管理和工具调用适配

只列材料中真实出现的表达,不机械套用整张表。

含金量判断

分别评价:

  • 算法新意:低 / 中 / 高;
  • 工程难度:低 / 中 / 高;
  • 实验完整度:低 / 中 / 高;
  • 证据可信度:低 / 中 / 高。

每项只给一句理由。不要给没有依据的综合分数。

快速模式

当用户只想快速看懂时,控制在 3~6 句话:

  1. 它基于什么;
  2. 真正改了什么;
  3. 做了哪些工程;
  4. 用什么实验证明;
  5. 哪些结论仍缺证据。

语言准确性

输出前读取 references/language-precision.md(STE 准确性规则 + humanizer 去 AI 味,默认 80% 模式)。本 skill 的具体要求:

  • 证据强度只用固定标签:材料显示(论文、代码或日志直接支持)、作者称(仅作者自述)、推断、无证据。不写“似乎”“可能在某种程度上”。
  • “低 / 中 / 高”评级后只跟一句理由,理由含具体对象和数字,不用形容词。
  • 把宣传词翻译成事实时,保留数字、基线、数据集和设置;没有这些信息时写“材料未给出”。
  • 引用作者原话(包括被你判定为包装的措辞)时逐字保留,并加引号,不改写。
  • 去包装不等于换一套贬义词;不用“只是”“不过是”“换汤不换药”等带评价的说法。

写作约束

  • 使用“实现、修改、接入、比较、测量、验证”等具体动词。
  • 避免“赋能、突破、重塑、革命性、全栈闭环、业界领先”等宣传词。
  • 不复述摘要和 README 的宏大背景,除非它直接决定方法。
  • 不把模块数量、代码行数和工具数量自动视为创新。
  • 不因方法简单而否认高质量诊断、实现和实验的价值。
  • 不把作者声称的因果关系当成已证明事实。
  • 当用户提供代码或仓库时,优先依据真实实现,而不是项目介绍。
  • 交付前按 language-precision.md 的流程做一次内部编辑,只交付最终分析,不展示编辑过程。