grade-tcg-card
Über
Diese Claude-Skill bewertet Sammelkarten (Pokémon, MTG, Flesh and Blood, Kayou) nach PSA-, BGS- oder CGC-Standards. Sie führt eine strukturierte Bewertung durch, die Zentrierung, Oberfläche, Kanten und Ecken abdeckt, um eine Endnote mit einem Konfidenzintervall zu vergeben. Nutzen Sie sie, um Karten vor der Einreichung zur offiziellen Bewertung vorzuscreenen, Zustandsstreitigkeiten zu klären oder Wertspannen einzuschätzen.
Schnellinstallation
Claude Code
Empfohlennpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/grade-tcg-cardKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
Dokumentation
Grade TCG Card
Grade card per PSA/BGS/CGC. Observation-first (from meditate) → no grade anchoring.
Use When
- Pre-submission evaluation
- Pre-screen collection → high-grade candidates
- Settle buyer/seller disputes
- Learn consistent grading
- Estimate grade-value spread
In
- Required: card ID (set, #, name, variant)
- Required: images or physical desc (front + back)
- Required: standard (PSA 1-10, BGS 1-10 w/ subgrades, CGC 1-10)
- Optional: known market value at grades
- Optional: game (Pokemon, MTG, FaB, Kayou)
Do
Step 1: Clear bias → observe w/o prejudgment
From meditate Step 2-3: observe w/o anchor to expected grade/value.
- Set aside market value
- DO NOT look up sales/population reports pre-grade
- Known valuable → explicit: "Worth $X PSA 10. Set aside."
- Examine as physical object
- Gut impression noted but NOT anchored
- Premature grade thoughts → "anchoring" → return to observation
→ Neutral start. Grade anchoring = #1 source of inconsistency.
If err: bias sticky (high-value wants 10) → write bias explicit. Externalize → reduce influence. Proceed only as physical object.
Step 2: Centering
- Measure border all 4 sides front:
- L vs R (horizontal)
- T vs B (vertical)
- Ratio: 55/45 L-R, 60/40 T-B
- Repeat back
- Apply thresholds:
PSA Centering Thresholds:
+-------+-------------------+-------------------+
| Grade | Front (max) | Back (max) |
+-------+-------------------+-------------------+
| 10 | 55/45 or better | 75/25 or better |
| 9 | 60/40 or better | 90/10 or better |
| 8 | 65/35 or better | 90/10 or better |
| 7 | 70/30 or better | 90/10 or better |
+-------+-------------------+-------------------+
BGS Centering Subgrade:
+------+-------------------+-------------------+
| Sub | Front (max) | Back (max) |
+------+-------------------+-------------------+
| 10 | 50/50 perfect | 50/50 perfect |
| 9.5 | 55/45 or better | 60/40 or better |
| 9 | 60/40 or better | 65/35 or better |
| 8.5 | 65/35 or better | 70/30 or better |
+------+-------------------+-------------------+
- Record ratio per axis + subgrade.
→ Numeric ratios both faces + grade/subgrade. Most objective measurement.
If err: borders too narrow (full-art, borderless) → "centering N/A — borderless", skip Step 3. Services differ for borderless.
Step 3: Surface
- Front under good light:
- Print defects: ink spots, missing ink, print lines, color inconsistency
- Scratches: direct + angled light
- Whitening: haze/clouding
- Indentations: raking light
- Stain/discoloration: yellowing, water marks, chemical
- Back same criteria
- Factory vs handling:
- Factory: print lines, miscut, crimping → may be less penalized
- Handling: scratches, dents, stains → always penalized
- Rate:
- Pristine (10): flawless under mag
- Near-pristine (9-9.5): minor only under mag
- Excellent (8-8.5): minor naked eye
- Good (6-7): moderate, multiple
- Fair+ (1-5): significant
→ Defect inventory located + described + severity. Factory vs handling distinguished.
If err: low-res images → provide range not point grade. Recommend physical.
Step 4: Edge + corner
- 4 edges:
- Whitening: spots/lines along colored (most common)
- Chipping: edge layer missing
- Roughness: uneven / micro-tears
- Foil separation: holofoil delamination
- 4 corners:
- Sharpness: tip crisp
- Rounding: worn curve (slight/moderate/heavy)
- Splitting: layer separation (dings)
- Bending: turned/creased
- Rate same scale
- Note worst edge/corner
→ Per-edge + per-corner. Worst limits overall grade.
If err: in sleeve/toploader obscures → note which areas not fully assessed.
Step 5: Final grade
- PSA (1-10):
- Weakest sub limits final
- Perfect surface + 65/35 centering → cap PSA 8
- "Lowest limits" + adjust up if exceptional
- BGS (4 subgrades → overall):
- Centering, Edges, Corners, Surface each 1-10 in 0.5
- Overall = weighted avg, lowest subgrade limits
- BGS 10 Pristine → all 4 = 10
- BGS 9.5 Gem Mint → avg 9.5+ no sub <9
- CGC (similar to PSA w/ subgrades on label):
- Centering, Surface, Edges, Corners
- Overall = proprietary weighting
- Confidence:
- "PSA 8 (confident)" — clear, unlikely higher/lower
- "PSA 8-9 (borderline)" — either way
- "PSA 7-8 (uncertain)" — limited data
→ Final grade + confidence. BGS all 4 reported. Evidence from Steps 2-4.
If err: inconclusive (scratch vs dirt) → range + recommend pro grading. Never confident w/ insufficient data.
Check
- Bias check pre-grading (no anchoring)
- Centering both faces w/ ratios
- Surface examined (scratches, print, stain, indent)
- All 4 edges + corners individually
- Factory vs handling distinguished
- Grade evidence-backed from each sub
- Confidence stated
- Standard applied correctly
Traps
- Grade anchoring: value knowledge → bias toward hoped-for grade. Physical first.
- Ignore back: back surface + centering count. Many over-focus front.
- Factory vs handling confusion: both affect grade differently.
- Holofoil over-grade: hides scratches until angled. Multiple light angles.
- Centering illusion: art placement can mislead. Measure borders not art.
→
build-tcg-deck— condition affects tournament legalitymanage-tcg-collection— grade-based valuationmeditate— source of observation-without-prejudgment
GitHub Repository
Verwandte Skills
llamaguard
AndereLlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
cost-optimization
AndereDiese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
quantizing-models-bitsandbytes
AndereDiese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.
dispatching-parallel-agents
AndereDiese Claude-Fähigkeit verteilt mehrere Agenten, um drei oder mehr unabhängige Probleme gleichzeitig zu untersuchen und zu beheben. Sie ist für Szenarien konzipiert, die unabhängige Fehler umfassen, die ohne gemeinsamen Zustand oder Abhängigkeiten gelöst werden können. Die Kernfähigkeit ist die parallele Problemlösung, bei der pro unabhängigem Problembereich ein Agent zugewiesen wird, um die Effizienz zu maximieren.
