MCP HubMCP Hub
스킬 목록으로 돌아가기

grade-tcg-card

pjt222
업데이트됨 Yesterday
1 조회
17
2
17
GitHub에서 보기
기타general

정보

이 스킬은 PSA, BGS 또는 CGC 기준을 사용하여 트레이딩 카드(포켓몬, MTG, Flesh and Blood, Kayou)의 등급을 평가합니다. 중앙 정렬, 표면, 모서리, 코너를 체계적으로 평가하여 신뢰 구간이 포함된 최종 등급을 부여합니다. 제출 전 사전 심사, 상태 논란 해결, 또는 가치 범위 추정에 활용하세요.

빠른 설치

Claude Code

추천
기본
npx skills add pjt222/agent-almanac -a claude-code
플러그인 명령대체
/plugin add https://github.com/pjt222/agent-almanac
Git 클론대체
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/grade-tcg-card

Claude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요

문서

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。

  1. 置卡之市價知識於一旁
  2. 評級前勿查近售或群體報告
  3. 若知卡「有值」,明認此偏見:
    • 「我知此卡於 PSA 10 值 $X。我置之於旁。」
  4. 先視卡為實物,非收藏品
  5. 記初始直覺但勿令其錨定評估
  6. 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。

  1. 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
  2. 背面同做
  3. 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      |
+------+-------------------+-------------------+
  1. 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。

  1. 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
  2. 以同標準察背面
  3. 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
  4. 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。

  1. 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
  2. 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
  3. 以表面同尺評邊角況

  4. 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。

  1. 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
  2. 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
  3. 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
  4. 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 저장소

pjt222/agent-almanac
경로: i18n/wenyan-lite/skills/grade-tcg-card
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

연관 스킬

llamaguard

기타

LlamaGuard는 폭력 및 혐오 발언 등 6가지 안전 범주에서 LLM 입력과 출력을 조정하기 위한 Meta의 70-80억 파라미터 모델입니다. 94-95% 정확도를 제공하며 vLLM, Hugging Face 또는 Amazon SageMaker를 사용해 배포할 수 있습니다. 이 기술을 사용하여 AI 애플리케이션에 콘텐츠 필터링 및 안전 가드레일을 손쉽게 통합하세요.

스킬 보기

cost-optimization

기타

이 Claude Skill은 리소스 적정화, 태깅 전략, 지출 분석을 통해 개발자들이 클라우드 비용을 최적화할 수 있도록 지원합니다. AWS, Azure, GCP에서 클라우드 비용을 절감하고 비용 거버넌스를 구현하기 위한 프레임워크를 제공합니다. 인프라 비용을 분석하거나, 리소스를 적정화하거나, 예산 제약을 충족해야 할 때 사용하세요.

스킬 보기

quantizing-models-bitsandbytes

기타

이 스킬은 bitsandbytes를 사용하여 LLM을 8비트 또는 4비트 정밀도로 양자화하며, 최소한의 정확도 손실로 50-75%의 메모리 감소를 달성합니다. 제한된 GPU 메모리에서 더 큰 모델을 실행하거나 추론을 가속화하는 데 이상적이며, INT8, NF4, FP4와 같은 형식을 지원합니다. 이 스킬은 HuggingFace Transformers와 통합되어 QLoRA 학습 및 8비트 옵티마이저를 가능하게 합니다.

스킬 보기

dispatching-parallel-agents

기타

이 Claude Skill은 3개 이상의 독립적인 문제를 동시에 조사하고 해결하기 위해 다중 에이전트를 배치합니다. 공유 상태나 의존성 없이 해결 가능한 무관련 장애 시나리오에 맞게 설계되었습니다. 핵심 기능은 병렬 문제 해결로, 각 독립 문제 영역마다 하나의 에이전트를 할당하여 효율성을 극대화합니다.

스킬 보기