Was macht bias-detection-skill?
Fähigkeit zur Erkennung von Verzerrungen (Bias) für Audits in den Bereichen Produktmanagement, Strategie, Prompt-Design und LLM-Argumentation.
Fähigkeit zur Erkennung von Verzerrungen (Bias) für Audits in den Bereichen Produktmanagement, Strategie, Prompt-Design und LLM-Argumentation.
Diese Fähigkeit (Skill) unterstützt Entwickler und KI-Agenten dabei, kognitive Verzerrungen (Biases) in verschiedenen Kontexten zu identifizieren und zu analysieren. Sie ist speziell für Audits in den Bereichen Produktmanagement (PM), strategischer Planung, Prompt-Engineering und der Argumentationslogik von Large Language Models (LLMs) konzipiert. Der Skill hilft, potenzielle Verzerrungen in Entscheidungsprozessen, formulierten Prompts oder den Ausgaben eines LLMs systematisch aufzudecken – sei es zur Qualitätssicherung, zur Verbesserung der Prompt-Qualität oder zur kritischen Reflexion von KI-Ergebnissen. Er ist plattformunabhängig einsetzbar (z. B. mit Claude Code, Cursor oder Codex) und ermöglicht eine strukturierte Prüfung, die über reine Plausibilitätschecks hinausgeht. Die Implementierung erfolgt in der Regel über eine Liste zu prüfender Bias-Typen (z. B. Confirmation Bias, Framing-Effekt, Overconfidence) und eine Anleitung, wie diese in den entsprechenden Artefakten (Prompts, Strategiedokumente, LLM-Outputs) erkannt werden können. Der Skill kann in bestehende Workflows integriert werden, um die Zuverlässigkeit und Fairness von KI-gestützten Systemen zu erhöhen.
npx skills add ash-lx/bias-detection-skillInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Fähigkeit zur Erkennung von Verzerrungen (Bias) für Audits in den Bereichen Produktmanagement, Strategie, Prompt-Design und LLM-Argumentation.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.