claude-skill on 林協霆醫師

openevidence-skill：以 Python stdlib 鏡像 openevidence-mcp 工具介面的可攜技能包

Thu, 07 May 2026 00:00:00 +0000

# Introduction（引言）

Claude 推出 Skills 機制後，使用者可將特定任務以「漸進式載入」的形式封裝為可重用模組，避免將所有工具一次性塞入 system prompt 而造成 context 浪費。openevidence-mcp 雖能提供完整 MCP 伺服器體驗，但仍需要本地進程管理與 stdio／HTTP 設定。對於僅需要在對話中偶爾查詢醫學文獻的使用者而言，將相同工具介面封裝為 Skill，可大幅降低安裝與維護門檻。

# Methods（方法）

本專案的設計原則是「1:1 鏡像」：完整對齊 openevidence-mcp 的工具呼叫名稱、參數與回傳格式，使既有的 prompt 與工作流可在不改寫的情況下切換到 Skill 模式。實作刻意僅依賴 Python 標準函式庫，避免額外的 pip install 步驟，使技能包可在任何具備 Python 的環境中執行。

部署面則透過 npx skills add htlin222/openevidence-skill 一行指令完成安裝，將檔案複製到 Claude Skills 目錄下即可被 Claude Code、Claude Desktop 與其他相容客戶端讀取。技能包附帶必要的 metadata 與漸進式說明文件，以利 LLM 在判斷是否載入此能力時取得最少且必要的訊號。

# Results（結果）

使用者可在不另外維護長駐 MCP 伺服器的情況下，於 Claude 對話中即時呼叫 OpenEvidence 工具。Skill 形式相較於 MCP 伺服器，啟動延遲更低、跨機器同步更容易；對於以個人筆電為主的醫師工作流尤其友善。1:1 介面亦使團隊能在 MCP 與 Skill 之間自由切換，依環境選擇最適合的部署方式。

# Discussion（討論）

本專案展示了「同一能力、多種封裝」的工程實踐：當底層 API 穩定後，重點便轉移到如何降低使用者採用成本。限制方面，Skill 缺乏 MCP 完整的工具發現與互動協定，較不適合複雜長對話；標準函式庫的限制亦使網路重試與並發控制較為簡略。未來可進一步考慮以 WASM 化的方式分發，或建立 Skill 與 MCP 之間的自動轉換工具。

# 連結

GitHub：htlin222/openevidence-skill
主要語言：Python
最後更新：2026-05-07

zh-ebn-report-skill：以 Claude Skill 教練臺灣護理實證報告 N1–N4 升等寫作

Thu, 23 Apr 2026 00:00:00 +0000

# Introduction（引言）

臺灣護理人員的進階制度將實證護理（Evidence-Based Nursing, EBN）報告作為 N1 至 N4 升等的核心要件。然而 EBN 報告涉及問題形成（PICO）、文獻檢索、文獻評讀、實證應用與評估等多步驟方法學，對日常臨床繁忙的護理人員而言門檻偏高。市售課程多以線下講座為主，缺乏陪伴式、可隨時提問的輔導工具。本專案將完整的升等寫作教練封裝為 Claude Skill，使護理人員能以對話形式取得逐章引導。

# Methods（方法）

Skill 採用漸進式載入設計：使用者僅需以 npx skills add htlin222/zh-ebn-report-skill 完成安裝，即可在 Claude 對話中觸發 EBN 報告寫作教練。內容以 Python 撰寫並包含結構化引導腳本，依 N1 至 N4 不同層級的要求分章節進行：從問題形成到撰寫摘要、討論與結論。每一節皆提供範例段落、常見錯誤示警與評分要點。

設計刻意避免一次性給出全部範本，避免使用者直接複製；改以蘇格拉底式提問引導，要求使用者自行填入臨床細節後再由 Skill 提供回饋。這既符合教育目的，也降低抄襲風險。

# Results（結果）

完成的 Skill 提供臺灣護理人員一個低成本、可重複使用的升等寫作助手，能在多個臨床情境間切換並維持結構一致性。對於需要在工作之餘準備升等的護理師，這顯著減低撰寫負擔，並協助其建立可遷移的方法學認知。Skill 形式亦便於團體部署，使整個單位的升等品質趨於一致。

# Discussion（討論）

本專案具體展示「將學習與作業流程結合」的 AI 教練模式：在不取代學員思考的前提下，提供結構化引導。限制方面，EBN 報告的審核仍仰賴單位內部評委，Skill 提供的回饋不能保證符合所有單位之偏好；且漸進式載入需依靠 Claude 客戶端的支援。未來可擴充至英文 EBN 寫作、與台灣醫療機構 IRB 表單模板，並以匿名化資料訓練更貼合在地語境的回饋。

# 連結

GitHub：htlin222/zh-ebn-report-skill
主要語言：Python
最後更新：2026-04-23

audit-oe-skill：以平行 PubMed 驗證稽核 OpenEvidence MCP 引文準確性的 Skill

Mon, 20 Apr 2026 00:00:00 +0000

# Introduction（引言）

LLM 在醫學文獻問答上的最大風險是「幻覺引文」：表面上引用了某篇論文，實則該論文不存在，或標題作者與宣稱不符。即便 OpenEvidence 等工具已嘗試以檢索增強生成（RAG）緩解此一現象，仍可能在文獻邊緣案例中出現錯位。本 Skill 的設計目的，是建立一個獨立的稽核層，對 openevidence-mcp 的每筆引文進行平行 PubMed 驗證並產出結構化準確性分數，使使用者能在書寫前知曉引用品質。

# Methods（方法）

Skill 接收一組由 openevidence-mcp 回傳的引文列表，對每筆引文以平行方式呼叫 PubMed E-utilities，比對 PMID、標題、作者、期刊與年份。比對結果以多維度給分（標題相似度、作者一致性、期刊匹配度），最後彙整為單一準確性分數。實作以 TeX 為輔助記錄方法學細節，並以 Python 進行查詢與分析。

設計上強調「獨立驗證」：稽核管線完全與引文來源解耦，避免使用同一個 LLM 進行自我評分。此外，平行查詢顯著縮短整體稽核時間，使其能即時嵌入研究者的書寫流程而不致打斷思路。Skill 安裝方式為 npx skills add htlin222/audit-oe-skill。

# Results（結果）

稽核 Skill 能在數秒內為一份引文列表打出綜合準確性分數，並標出可疑或無法驗證的條目。對於使用 OpenEvidence 起草論文段落的研究者，這提供了「先稽核再採用」的安全網，顯著降低投稿後因錯誤引用而被審稿人質疑的風險。Skill 形式亦使其能與其他寫作 workflow 自然串接。

# Discussion（討論）

本專案實踐了「LLM 治理 LLM」的思維：當生成端越來越強，驗證端就必須以獨立工具承擔抑制偏誤的責任。限制方面，PubMed 並非所有醫學文獻的金本位，部分區域期刊可能不被收錄；準確性評分的權重需要持續校準。未來可加入 Crossref 與其他資料庫的多重比對、引入 LLM 進行語意相似度判讀，並擴展至非醫學領域的引文稽核。

# 連結

GitHub：htlin222/audit-oe-skill
主要語言：TeX
最後更新：2026-04-20

research-guardian-skill：以多閘自動驗證守護 AI 生成研究產出的品質

Fri, 17 Apr 2026 00:00:00 +0000

# Introduction（引言）

當 LLM 大規模參與研究寫作後，研究產出（草稿、表格、引用、分析腳本）的品質保證成為新興問題：作者必須在 LLM 速度與學術嚴謹度之間維持平衡。手動審查每一個 AI 生成段落並不可行，研究界需要可程式化的「品質守護人」，在交付前對產出進行系統檢查。本 Skill 即扮演此一角色，將品質審查視為一連串可被自動執行的閘門。

# Methods（方法）

Skill 以 Python 撰寫，提供多閘驗證機制，可由 Claude 對話呼叫。每一閘對應一類常見品質問題：引用真實性（透過 PubMed／Crossref 比對）、統計合理性（檢查報告之 p 值與信賴區間是否內部一致）、結構規範（是否符合 IMRaD 或指引格式）、語氣中立度（避免過度斷言或宣傳語氣）。閘門皆設計為可獨立呼叫，使用者可依需求選擇全部執行或局部執行。

設計上強調「拒絕分」而非「給分」：守護人並非評鑑作品優劣，而是擋住明顯的錯誤與過度表述。Skill 安裝以 npx skills add htlin222/research-guardian-skill 完成，與其他作者撰寫工具（如 OpenEvidence、bestseller）可組合運用。

# Results（結果）

研究產出在送交審稿前先經過多閘驗證，可大幅減少因引用錯誤、統計矛盾或語氣偏誤而被退稿的風險。對於以 LLM 加速研究寫作的團隊，此 Skill 提供了「自動化的編輯第二雙眼」，特別適合住院醫師、研究生等仍在學習學術規範的階段。

# Discussion（討論）

本專案展現了一個重要趨勢：當生成端進入工業化階段，驗證端也需相應工業化。其貢獻在於提供可組合的品質閘門模組，使研究者能根據自身工作流彈性裝配。限制方面，閘門無法完全取代人工審查，特別是在創新性與洞見的判讀上；過度依賴自動化也可能導致研究者對自身產出的盲目信心。未來可擴充至特定學門的專屬閘門，並結合 LLM 的 chain-of-thought 提供更細緻的審查紀錄。

# 連結

GitHub：htlin222/research-guardian-skill
主要語言：Python
最後更新：2026-04-17

toefl-skill：TOEFL iBT 2026 備考教練與學習系統的 Claude Skill

Mon, 06 Apr 2026 00:00:00 +0000

# Introduction（引言）

TOEFL iBT 為臨床醫師申請海外進修、研究合作或英語教學職位常見的英語門檻測驗。其四個子測驗（聽、說、讀、寫）各自需要不同訓練策略，而市售教材多為被動式內容，缺乏針對個人弱點動態調整的教練功能。隨著 LLM 在語言評估與互動上的能力提升，將 TOEFL 備考流程數位化、客製化並嵌入個人 AI 工作流，成為有意義的設計目標。

# Methods（方法）

Skill 以 Python 撰寫，採漸進式載入：使用者透過 npx skills add htlin222/toefl-skill 安裝後即可在 Claude 對話中觸發。內含分項練習（精選題型、口語題範本、寫作架構）、模擬測驗與弱點分析。每次互動皆會將結果結構化記錄，作為下次練習動態出題的依據。

設計重點為「學習如同教練指導」：Skill 不單純提供答案，而是引導使用者先嘗試、再回饋、再反思。為了避免 LLM 評分的飄移，內建多個對標 ETS 評分標準的提示詞模板，使口語與寫作回饋盡可能穩定。

# Results（結果）

完成 Skill 後，使用者可在固定碎片時間內進行針對性練習，特別是口語自我錄音與寫作即時批改。對於忙碌醫師，能將通勤、值班空檔轉換為有效備考時間。Skill 形式亦使其能與作者其他學習工具（eng-speaking、zh-ebn-report-skill）形成完整的英語訓練生態。

# Discussion（討論）

本專案展現了「將傳統考試備考數位化」的可能性：當教材本身具備互動與反饋能力時，學習效率可顯著提升。限制方面，TOEFL 出題機構與評分系統的細節仍為閉源，Skill 評分僅能近似而非完全等同；長期備考的動機維持仍需學習者主導。未來可加入語音直接打分、與 Anki 整合進行單字長期保留，並提供繁體中文的學習說明。

# 連結

GitHub：htlin222/toefl-skill
主要語言：Python
最後更新：2026-04-06

drug-drug-skill：仿 Micromedex Drug-Reax 的實證型藥物交互作用評估 Skill

Sun, 05 Apr 2026 00:00:00 +0000

# Introduction（引言）

藥物交互作用（drug-drug interaction, DDI）是日常臨床決策的關鍵風險點。商用工具如 Micromedex Drug-Reax 提供結構化評估，但價格不菲且整合到 LLM 對話流程仍不便。隨著 LLM 在文獻整合上的能力提升，是否能在開源生態中重建一個「結構合理、實證取向」的 DDI 評估介面，使醫師與藥師可在 AI 對話中即時取得評估，是值得實驗的問題。

# Methods（方法）

Skill 接受兩種以上藥物名稱為輸入，依固定模板輸出：嚴重度分級（嚴重／中等／輕微）、發生機制、臨床效應、處置建議與支持文獻。模板對標 Micromedex Drug-Reax 的呈現方式，使習慣該系統的臨床人員可平滑切換。實作刻意以可被追蹤的結構化資料為核心，避免 LLM 自由發揮造成幻覺。

文獻部分以可信的實證來源（指引、Cochrane 文獻、PubMed 高引用文獻）作為優先；當結論在來源間不一致時，Skill 主動標示「證據不一致」而非單一結論，避免傳達虛假確定性。安裝為 npx skills add htlin222/drug-drug-skill。

# Results（結果）

Skill 提供了一個可在 Claude 對話中即時呼叫的 DDI 助手，特別適合住院醫師、實習醫師與正在學習藥理的進修人員。對於缺乏 Micromedex 訂閱的小型醫療單位，本 Skill 提供具備結構化嚴謹度的替代方案。

# Discussion（討論）

本專案展現「以 LLM 重建專業工具」的實踐路徑：透過嚴格模板與來源規範，將生成式 AI 的不確定性降至可接受範圍。限制方面，DDI 評估的法律與倫理責任仍須由臨床決策者承擔，Skill 僅是輔助；資料來源的更新頻率影響準確度。未來可結合本機資料庫進行離線查詢、加入藥物代謝酵素層次的機制視覺化，並接入電子病歷做病人特異化評估。

# 連結

GitHub：htlin222/drug-drug-skill
主要語言：Skill
最後更新：2026-04-05

gh-repo-father-skill：從原始想法到完整 GitHub Repo 的腳手架 Skill

Sun, 05 Apr 2026 00:00:00 +0000

# Introduction（引言）

每個工程師都熟悉「想到一個點子，但被開新 repo 的繁瑣步驟拖延」的經驗：建立 README、選擇授權、設定 .gitignore、搭好基本結構、推上 GitHub。這些步驟雖簡單但累人，讓無數初始概念在尚未誕生前便被耗盡熱情。本 Skill 將「從一個想法到一個可用的 GitHub repo」全流程自動化，使工程師能將注意力放在實作而非設定。

# Methods（方法）

Skill 接收使用者以自然語言描述的專案構想，自動完成：建立合理 repo 名稱、語言對應的 .gitignore、適合的開源授權、起手式 README、基礎目錄結構與 CI 範本。並透過 GitHub API（或 gh CLI）將本地專案推上 GitHub，產生可分享連結。整體採漸進式載入，安裝以 npx skills add htlin222/gh-repo-father-skill 完成。

設計重點為「結構合理勝於完整」：產出的 scaffold 並非萬能，而是「對該語言／領域常見的最佳起點」，使開發者能立即開始撰寫核心邏輯，而非被基礎建設綁住。

# Results（結果）

使用者可在數分鐘內從一個構想得到可上手的 repo，與此同時 README、授權、結構皆已就位，避免日後重構基礎設施。對於高頻創建小工具的個人工程師（例如作者本人三個月內超過七十個 repo），本 Skill 顯著降低啟動成本，使「想到就動手」成為日常習慣。

# Discussion（討論）

本專案展現了「將開發者高頻儀式化任務交給 AI」的應用方向。其貢獻在於把零散的開機器步驟以一個 Skill 模組化。限制方面，產生的 scaffold 仍需人工調整以符合特定團隊規範；過度依賴自動化也可能弱化開發者對基礎設置的理解。未來可加入針對醫療研究 repo 的特化模板（如 IRB 文件、資料字典範本），並支援多種雲端平台的 secret 預設。

# 連結

GitHub：htlin222/gh-repo-father-skill
主要語言：Skill
最後更新：2026-04-05

zh-article-analyzer-skill：繁體中文文章深度分析的 Claude Skill

Sat, 04 Apr 2026 00:00:00 +0000

# Introduction（引言）

繁體中文社群每日皆有大量文章流通：從新聞、社群貼文、醫學科普到評論文章。讀者若僅以「同意／不同意」作為消費方式，便錯失了反覆訓練批判思考的機會。傳統閱讀方法靠手寫筆記，效率低；單純丟給 LLM 摘要又流於表層。本 Skill 主張「文章值得被結構化拆解」，並提供可重複的分析框架。

# Methods（方法）

Skill 以 Python 撰寫，定義了多個分析面向：論點與支撐（找出主張與證據）、語氣與情緒（中立／批判／煽動）、邏輯謬誤（是否存在常見謬誤）、修辭手法（反問、訴諸權威、滑坡）、可驗證之事實主張。對於每篇輸入文章，Skill 系統性地針對各面向給出評論，並請使用者自行判斷文章是否值得進一步信任或引用。

設計重點為「不下結論」：Skill 不告訴使用者「這篇文章對或錯」，而是提供結構化分析使讀者自行判斷。安裝為 npx skills add htlin222/zh-article-analyzer-skill。

# Results（結果）

使用者可在閱讀繁體中文文章時，將內容貼入 Claude 對話以快速取得多面向分析報告。對於日常瀏覽社群媒體、評估健康資訊、甚至評估自身寫作品質，本 Skill 提供了一個輕量但深度的工具。對作者本人，更是練習「不被表面情緒帶走」的閱讀紀律。

# Discussion（討論）

本專案具體實踐了「LLM 為讀者賦能」的理念：與其讓 LLM 替使用者讀，不如讓 LLM 幫使用者讀得更深。限制方面，分析面向仍受預設模板限制，特殊文類（小說、詩、學術論文）需要不同框架；繁體中文 NLP 與簡體中文資源生態仍有落差。未來可加入領域特化模板（醫療科普、法律時事）與互動追問模式。

# 連結

GitHub：htlin222/zh-article-analyzer-skill
主要語言：Python
最後更新：2026-04-04

nccn-skill：將 NCCN 指引 PDF 轉為結構化 AI Skill 的元 Skill

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

NCCN（美國國家綜合癌症網路）臨床實踐指引為腫瘤學最廣為使用的決策參考之一，但其 PDF 格式不利於 AI 工具直接消費。當醫師詢問特定臨床決策時，LLM 若只依賴一般訓練資料，可能引用過時版本或產生幻覺。本專案以「元 Skill」（meta-skill）為定位：它的功能不是直接回答臨床問題，而是把任意 NCCN PDF 指引「轉換為可被 Claude 等客戶端載入的 Skill 套件」。

# Methods（方法）

實作以 Python 為主，整體流程：擷取 PDF 為結構化區段（章節、決策樹、藥物表格）；以平行 Haiku 模型完成各區段的細節轉譯；產出符合 Vercel Skills 協定的 Skill 套件，包含 metadata、漸進式揭露的內容檔與抗幻覺機制。引文強制機制要求最終 Skill 在回答時必須引用對應的指引段落原文，避免 LLM 自行延伸。

設計重點為「漸進式揭露」：Skill 不會一次將整份指引塞入 LLM context，而是依使用者問題動態擷取相關段落，平衡資訊密度與 context 長度。平行 Haiku 設計則大幅縮短轉換時間，使一份完整指引可在數十分鐘內被「Skill 化」。

# Results（結果）

研究者或臨床教師可將任意 NCCN 指引透過本元 Skill 轉換為可分享的 Skill 套件，並透過 npx skills add 安裝至 Claude 客戶端。對於組織內部教學，這提供一種「將共享資源轉化為共享工具」的新方式。實證上產出的 Skill 在抗幻覺機制下顯著降低引文錯誤率。

# Discussion（討論）

本專案具體實踐了「指引即 Skill」的觀念：當臨床指引能以結構化方式被 LLM 消費時，便能在不違反著作權的前提下大幅提升 LLM 的臨床可信度。限制方面，PDF 結構複雜時轉換品質仍需人工審核；NCCN 指引更新頻繁，Skill 需有版本管理機制。未來可擴展支援其他指引（ESMO、ASH、ESC），並建立中央 Skill 倉庫供臨床社群協作。

# 連結

GitHub：htlin222/nccn-skill
主要語言：Python
最後更新：2026-03-28