À propos
Cette Compétence Claude évalue les cartes à collectionner (Pokémon, MTG, Flesh and Blood, Kayou) selon les normes PSA, BGS ou CGC. Elle effectue une analyse structurée couvrant le centrage, la surface, les bords et les coins pour attribuer une note finale avec un intervalle de confiance. Utilisez-la pour pré-sélectionner des cartes avant soumission à un service de classement, résoudre des litiges sur l'état, ou estimer des fourchettes de valeur.
Installation rapide
Claude Code
Recommandénpx 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-cardCopiez et collez cette commande dans Claude Code pour installer cette compétence
Documentation
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
Dépôt GitHub
Frequently asked questions
What is the grade-tcg-card skill?
grade-tcg-card is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform grade-tcg-card-related tasks without extra prompting.
How do I install grade-tcg-card?
Use the install commands on this page: add grade-tcg-card to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does grade-tcg-card belong to?
grade-tcg-card is in the Other category, tagged general.
Is grade-tcg-card free to use?
Yes. grade-tcg-card is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Compétences associées
LlamaGuard est le modèle de Meta, doté de 7 à 8 milliards de paramètres, conçu pour modérer les entrées et sorties des LLM selon six catégories de sécurité comme la violence et les discours haineux. Il offre une précision de 94 à 95 % et peut être déployé avec vLLM, Hugging Face ou Amazon SageMaker. Utilisez cette compétence pour intégrer facilement le filtrage de contenu et des garde-fous de sécurité dans vos applications d'IA.
Cette compétence de Claude aide les développeurs à optimiser les coûts du cloud grâce au redimensionnement des ressources, aux stratégies d'étiquetage et à l'analyse des dépenses. Elle fournit un cadre pour réduire les dépenses cloud et mettre en œuvre une gouvernance des coûts sur AWS, Azure et GCP. Utilisez-la lorsque vous devez analyser les coûts d'infrastructure, redimensionner les ressources ou respecter des contraintes budgétaires.
Cette compétence Claude analyse les marchés des paris sportifs, incluant les spreads, les over/under et les paris spéciaux, en examinant les tendances historiques et les statistiques situationnelles pour identifier les paris à valeur ajoutée. Elle fournit une sortie en markdown structuré avec des recommandations actionnables à des fins éducatives. Les développeurs doivent l'utiliser pour des outils d'analyse de paris sportifs tout en notant qu'elle est conçue uniquement pour le divertissement et l'éducation.
Cette compétence quantifie les LLMs en précision 8 bits ou 4 bits à l'aide de bitsandbytes, permettant une réduction de 50 à 75 % de la mémoire utilisée avec une perte de précision minime. Elle est idéale pour exécuter des modèles plus volumineux sur une mémoire GPU limitée ou pour accélérer l'inférence, prenant en charge des formats comme INT8, NF4 et FP4. La compétence s'intègre à HuggingFace Transformers et permet l'entraînement QLoRA ainsi que l'utilisation d'optimiseurs en 8 bits.
