Forschungspipelines als semantische Ausführungseinheiten: Jede Fähigkeit deklariert Ein-/Ausgaben, Abnahmekriterien und Leitplanken. Eine evidenzbasierte Methodik verhindert oberflächliches Schreiben durch strukturierte Zwischenartefakte.
Diese Sammlung von KI-Agenten-Fähigkeiten (Skills) definiert Forschungspipelines als semantische Ausführungseinheiten. Jede Fähigkeit deklariert explizit ihre erwarteten Eingaben, Ausgaben, Abnahmekriterien und Leitplanken. Dies ermöglicht eine klare Definition des Umfangs und eine automatisierte Validierung der Ergebnisse. Im Kern steht eine evidenzbasierte Methodik, die durch die Erstellung strukturierter Zwischenartefakte sicherstellt, dass die Forschung fundiert und nicht oberflächlich ist. Die Pipelines sind als modulare Bausteine konzipiert, die auf verschiedenen Plattformen wie Claude Code, Cursor oder Codex eingesetzt werden können. Sie helfen Entwicklern, komplexe Rechercheaufgaben in überprüfbare, reproduzierbare Schritte zu zerlegen und so die Qualität und Zuverlässigkeit der generierten Inhalte zu erhöhen. Durch die strukturierte Herangehensweise wird vermieden, dass generierte Texte inhaltsleer oder irrelevant sind, da jeder Schritt auf konkretem Nachweisen basiert.
npx skills add WILLOSCAR/research-units-pipeline-skillsInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Forschungspipelines als semantische Ausführungseinheiten: Jede Fähigkeit deklariert Eingaben/Ausgaben, Akzeptanzkriterien und Schutzmaßnahmen. Die evidenzbasierte Methodik verhindert oberflächliches Schreiben durch strukturierte Zwischenartefakte.
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.