diploma-skills

KO | EN

gitlite — search

#claude #agents #sql #chatbot #framework #svg #typescript #database #claude-code #json

(★ 9)

3 скилла для AI-агента под диплом/ВКР: антиплагиат + ИИ-детектор, оформление, защита. Реальный кейс: 25,5% ИИ → 0%.

File Explorer

ZIP Download

- REFERENCE.md
- SKILL.md
- SKILL.md
- SKILL.md
- - add_page_numbers_no_title.py
  - fix_formatting_finishing.py
  - fix_headings_black.py
  - fix_indent_abbrev.py
  - fix_tables.py
  - gen_static_toc.py
  - make_reference.py
  - make_titlepage.py
  - merge_no_title.py
  - update_and_convert.py
- build.sh
- README.md
- TROUBLESHOOTING.md
CASE_STUDY.md
LICENSE
README.md

# Use via CDN

jsDelivr

jsDelivr serves any public GitHub repository as a CDN with zero setup. Pick a version and a file to get a ready-to-paste link and snippet.

Version

File

Link

Example

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

Три скилла для AI-агента (Claude Code / Codex / Cursor) под весь цикл диплома/ВКР: пройти антиплагиат и ИИ-детектор, оформить по требованиям вуза, подготовить защиту перед комиссией.

Откалибровано на реальной защите в техническом вузе (2026): первый прогон диплома — **25,52 % ИИ-контента**, после переписывания по чек-листу + autoresearch-петли против нейродетектора Яндекса — **0 % ИИ**. Подробный разбор того, *как* — в посте [ссылка] и в `diploma-antiplag/REFERENCE.md`.

> ⚠️ Это не «генератор диплома» и не способ списать. Скиллы помогают убрать **ложные срабатывания** ИИ-детектора на тексте, который ты пишешь сам (детекторы палят «причёсанность», а не авторство), и привести работу к формальным требованиям. Ответственность за содержание — на тебе.

---

## Что внутри

| Скилл | Зачем |
|---|---|
| **`diploma-antiplag`** | Антиплагиат (оригинальность) + ИИ-детектор. 10-пунктный чек-лист признаков GPT-текста, 8 техник переписывания, postраничный риск-репорт. + autoresearch-петля: метрика «% ИИ» → переписать → замерить на детекторе → оставить если упало → повторять. |
| **`diploma-format`** | Оформление ВКР под требования вуза: заголовки, содержание, нумерация страниц и источников, дефисы, БД в приложении, академическая стилистика. + грабли build-pipeline (docx → Google Docs: синие заголовки, пустой TOC, нет нумерации). |
| **`pipeline/`** | Рабочий build-пайплайн `md → docx → pdf`: 9 постпроцессоров + [TROUBLESHOOTING](pipeline/TROUBLESHOOTING.md) с 7 граблями (Google Docs синие заголовки, схлопывание таблиц, пустой TOC, съезд номеров, UNO-краш на macOS). |
| **`CASE_STUDY.md`** | Полный лог 52 итераций autoresearch-петли: 0,87 → 0,03 по ИИ-детектору. Что сработало, что откатили, сколько попыток на абзац. |
| **`diploma-defense`** | Презентация и защита перед ГЭК: структура 10–15 слайдов под 5–7 мин, принцип SHOW-not-TELL (реальные диаграммы вместо карточек), хронометраж речи, python-pptx тонкости, визуальная проверка рендером. |

Контекст калиброван на техническом вузе РФ, но применимо к любому вузу с системой Антиплагиат.ВУЗ + ИИ-детектором.

---

## Установка

### Claude Code (нативно — агент сам подхватит)

Каждый скилл — это папка с `SKILL.md`. Claude Code автоматически находит их в `~/.claude/skills/`.

```bash
git clone https://github.com/piofant/diploma-skills.git
cp -r diploma-skills/diploma-antiplag diploma-skills/diploma-format diploma-skills/diploma-defense ~/.claude/skills/
```

Или симлинком, чтобы тянуть обновления через `git pull`:

```bash
git clone https://github.com/piofant/diploma-skills.git ~/diploma-skills
ln -s ~/diploma-skills/diploma-antiplag ~/.claude/skills/diploma-antiplag
ln -s ~/diploma-skills/diploma-format ~/.claude/skills/diploma-format
ln -s ~/diploma-skills/diploma-defense ~/.claude/skills/diploma-defense
```

Проверка — спроси Claude: «какие скиллы про диплом у тебя есть». Дальше просто пиши задачу — агент сам решит, какой скилл тянуть:
- «проверь диплом на ИИ» / «доведи до 0% ИИ» → `diploma-antiplag`
- «оформи вкр по требованиям» / «содержание не bold» → `diploma-format`
- «сделай слайд защиты про X» / «собери презу под ГЭК» → `diploma-defense`

### Codex / Cursor / другие агенты (нет каталога скиллов)

У них нет авто-дискавери `~/.claude/skills/`, но `SKILL.md` — это просто инструкция в markdown. Два способа:

1. **Положить в проект и дать прочитать.** Склонируй репо рядом с работой и сошлись на нужный файл:
 - Codex: `@diploma-skills/diploma-antiplag/SKILL.md проверь по нему мой текст`
 - Cursor: добавь папку в контекст (`@diploma-antiplag`) и попроси применить.

2. **Вшить в правила агента.** Скопируй содержимое нужного `SKILL.md` (без YAML-шапки сверху) в:
 - Codex → `AGENTS.md` в корне проекта;
 - Cursor → `.cursorrules` или Project Rules;
 - любой чат-агент → системный промпт / первое сообщение.

Скиллы написаны как самодостаточные инструкции, специфичных для Claude Code инструментов почти нет — переносятся в любой агент.

---

## Структура репозитория

```
diploma-skills/
├── diploma-antiplag/
│ ├── SKILL.md # антиплагиат + ИИ-детектор + autoresearch-петля
│ └── REFERENCE.md # разбор реального отчёта Антиплагиат.ВУЗ
├── diploma-format/
│ └── SKILL.md # оформление ВКР
├── diploma-defense/
│ └── SKILL.md # презентация и защита
├── pipeline/ # рабочий build-пайплайн
│ ├── build.sh
│ ├── README.md # как работает, как адаптировать
│ ├── TROUBLESHOOTING.md # 7 граблей сборки
│ └── postprocessors/ # 9 python-скриптов
└── CASE_STUDY.md # лог 52 итераций: 0,87 → 0,03
```

---

## Autoresearch-движок (опционально)

«autoresearch-петля» из `diploma-antiplag` — это применение **стороннего** скилла **autoresearch** (MIT, © Kyle / drivelineresearch): автономный цикл «попробовал → замерил → оставил лучшее → повторил».

Сам цикл уже описан текстом внутри `diploma-antiplag/SKILL.md`, поэтому скилл работает и без него — петлю можно крутить руками. Но если хочешь полноценный движок экспериментов, ставь его отдельно:

👉 **github.com/drivelineresearch/autoresearch-claude-code**

Я его не перезаливаю сюда — это чужая работа, лучше брать апстрим (и обновления, и кредит автору).

---

## Почему это не «диплом за тебя»

ИИ-детектор не измеряет авторство. Он измеряет **гладкость**.

Любой вычитанный академический текст ровный по определению — его для этого и вычитывают: убирают корявости, выравнивают ритм, приводят к единому регистру. Ровно эти же признаки детектор считает машинными. Получается замкнутый круг: чем аккуратнее пишешь, тем больше похож на модель.

Скиллы работают с этим разрывом. Они не генерируют содержание — они возвращают тексту человеческую неровность, которую из него выбила вычитка: рваный ритм, конкретику вместо обтекаемых формулировок, живые шероховатости.

Исследование, эксперимент, данные, выводы — это всё равно ты. Никакая петля оптимизации не подменит того, чего в работе нет.

---

## Лицензия

MIT — бери, форкай, адаптируй под свой вуз. Если зашло — звезда репозиторию.

diploma-skills

Owner Repos

File Explorer

# Use via CDN

Was this content helpful?

Recent Feedback

diploma-skills

Owner Repos

File Explorer

# Use via CDN

Was this content helpful?

Recent Feedback

Download README