grade-tcg-card
Über
Diese Fähigkeit 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 umfasst, um eine Endnote mit einem Konfidenzintervall zu vergeben. Nutzen Sie sie zur Vorabprüfung von Einsendungen, zur Beilegung von Zustandsstreitigkeiten oder zur Schätzung von Wertspannen.
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
評 TCG 卡
依專業評級標準(PSA、BGS、CGC)評卡。用自 meditate 技能改編之觀察優先協定以防等級錨定——評級最常見之偏見。
適用時機
- 送專業評級服務前評卡
- 預篩收藏以識高級候選
- 平買賣雙方對卡況之爭
- 循結構化評估協定以一致評級
- 估特定卡之等級相關價值範圍
輸入
- 必要:卡識別(系列、號、名、變體/版)
- 必要:卡圖或實體描述(正背面)
- 必要:所施評級標準(PSA 1-10、BGS 1-10 附子級、CGC 1-10)
- 選擇性:不同等級之已知市價(作等級-價值分析)
- 選擇性:卡遊戲(Pokemon、Magic: The Gathering、Flesh and Blood、Kayou)
步驟
步驟一:清偏見——無預判之觀察
改自 meditate 步驟二至三:觀察卡而不錨定於預期等級或市價。
- 置卡之市價知識於一旁
- 評級前勿查近售或群體報告
- 若知卡「有值」,明認此偏見:
- 「我知此卡於 PSA 10 值 $X。我置之於旁。」
- 先視卡為實物,非收藏品
- 記初始直覺但勿令其錨定評估
- 標示過早之等級念為「錨定」並返於觀察
預期: 中性起始狀態,卡純於實況評估,非市場預期。等級錨定(評級前知價)為評級不一致之首因。
失敗時: 若偏見頑固(高值卡令人欲見十),明書此偏見。外化之減其影響。能視卡為實物時方進行。
步驟二:置中評估
量卡兩面之印刷置中。
- 量正面四邊之邊框寬:
- 左 vs 右(水平置中)
- 上 vs 下(垂直置中)
- 以比表:如 55/45 左右、60/40 上下
- 背面同做
- 施評級標準之置中閾:
PSA 置中閾:
+-------+-------------------+-------------------+
| 等級 | 正面(最大) | 背面(最大) |
+-------+-------------------+-------------------+
| 10 | 55/45 或更佳 | 75/25 或更佳 |
| 9 | 60/40 或更佳 | 90/10 或更佳 |
| 8 | 65/35 或更佳 | 90/10 或更佳 |
| 7 | 70/30 或更佳 | 90/10 或更佳 |
+-------+-------------------+-------------------+
BGS 置中子級:
+------+-------------------+-------------------+
| 子級 | 正面(最大) | 背面(最大) |
+------+-------------------+-------------------+
| 10 | 50/50 完美 | 50/50 完美 |
| 9.5 | 55/45 或更佳 | 60/40 或更佳 |
| 9 | 60/40 或更佳 | 65/35 或更佳 |
| 8.5 | 65/35 或更佳 | 70/30 或更佳 |
+------+-------------------+-------------------+
- 記各軸之置中分與相應子級
預期: 兩面之數值置中比附相應等級/子級。此為評級過程中最客觀之測量。
失敗時: 若邊框過窄無法精量(全畫卡、無邊框印),註「置中 N/A——無邊框」並跳至步驟三。有服務對無邊框卡施不同標準。
步驟三:表面分析
察卡表以覓瑕。
- 於良光下察正面:
- 印刷瑕:墨點、缺墨、印線、色不一致
- 表面刮痕:直光與斜光下可見
- 表面泛白:表層之霧或模糊
- 凹痕或印痕:耙光下可見之凹陷
- 染污或變色:泛黃、水痕、化學損
- 以同標準察背面
- 分工廠瑕與處理損:
- 工廠:印線、切偏、壓痕——或減罰
- 處理:刮痕、凹、污——永罰
- 評表況:
- 完美(10):放大下無瑕
- 近完美(9-9.5):微瑕僅放大下可見
- 優(8-8.5):肉眼可見微磨
- 良(6-7):中等磨損,多處微瑕
- 可或以下(1-5):顯著損可見
預期: 詳細表面清單,每瑕已定位、描述、評嚴重度。工廠 vs 處理瑕已分。
失敗時: 若圖解析度過低不能作表面分析,註此限並給等級範圍而非單點。建議實體檢視。
步驟四:邊角評估
評卡之邊與角之磨損。
-
察四邊:
- 泛白:沿色邊之白點或白線(最常見瑕)
- 削落:邊層小片缺
- 粗糙:邊感不平或有微裂
- 箔分離:閃卡查邊之分層
-
察四角:
- 銳度:角尖利且尖
- 圓化:角尖磨成弧(輕、中、重)
- 裂分:角可見層分離(碰損)
- 彎曲:角翻或摺
-
以表面同尺評邊角況
-
註哪些具體角/邊況最差
預期: 每邊每角之況評估。最差之單角/邊常限整體等級。
失敗時: 若卡於袋或卡夾中致邊不顯,註哪些區不能全評。
步驟五:指派最終等級
合子評估為最終等級。
- PSA 評級(單一數 1-10):
- 最終等級為最弱子評估所限
- 表面完美但置中 65/35 之卡限於 PSA 8
- 施「最低限」原則,他處特佳時向上調
- BGS 評級(四子級 → 整體):
- 派子級:置中、邊、角、表面(各 1-10 以 0.5 階)
- 整體 = 加權平均,但最低子級限整體
- BGS 10 完美需四子級皆 10
- BGS 9.5 寶石完美需平均 9.5+ 且無子級低於 9
- CGC 評級(類 PSA 附標籤上子級):
- 派置中、表面、邊、角
- 整體循 CGC 之專有加權
- 陳最終等級附信心:
- 「PSA 8(有信心)」——清晰等級,不易更高或更低
- 「PSA 8-9(邊界)」——評級服務或兩向
- 「PSA 7-8(不確)」——評估資料有限
預期: 附信心層級之最終等級。BGS 則報四子級。等級有步驟二至四之證據支持。
失敗時: 若評估不決(如不能辨表面痕為刮或污),給等級範圍並建議專業評級。永勿以不足資料給有信心之等級。
驗證清單
- 評級前已完成偏見檢查(無等級錨定)
- 兩面置中已量附比記錄
- 表面已察刮痕、印瑕、染污、凹痕
- 四邊四角個別評估
- 工廠 vs 處理瑕已分
- 最終等級有各子評估證據支持
- 信心層級已陳(有信心、邊界、不確)
- 評級標準正確施(PSA/BGS/CGC 閾)
常見陷阱
- 等級錨定:評級前知卡價致評估偏向「所希」等級。永先實體評估
- 忽背面:背面表面與背面置中算。多評級者過注正面
- 工廠與處理瑕混:工廠印線不同於刮痕,然兩者皆影響等級
- 過評閃卡:全息與箔卡藏表面刮痕至以對角觀之。用多光角
- 置中之視錯:藝術擺位可令置中看似更佳或更差。量邊框,非藝術
相關技能
build-tcg-deck— 組牌中卡況影響賽事合法性manage-tcg-collection— 以等級為基之估值之收藏管理meditate— 防評級偏見所改編之無預判觀察技法之源
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.
