Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx skills add Tasachii/Tasachii-Tools --skill prof-emailgit clone --depth 1 https://github.com/Tasachii/Tasachii-ToolsWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/tasachii/tasachii-tools/prof-email)<a href="https://agentmods.dev/skills/tasachii/tasachii-tools/prof-email"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/prof-email/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/skills/tasachii/tasachii-tools/prof-email"><img src="https://agentmods.dev/badge/skills/tasachii/tasachii-tools/prof-email.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00127 | $0.01020 |
| Opus 5.5 | $0.00051 | $0.00408 |
| Sonnet 5.5 | $0.00025 | $0.00204 |
| Haiku 4.5 | $0.00013 | $0.00102 |
Grade A, and why
prof-email scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 2mo ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 46 lines — stays where its author put it; the contents beside it link to each section on GitHub.
prof-email — สุภาพ ชัด สั้น: อีเมลนักศึกษาที่อาจารย์อ่านจบแล้วรู้ทันทีว่าต้องทำอะไร
Phase 0 — เก็บข้อมูลก่อนร่าง
ถามรวบครั้งเดียวเท่าที่ขาด:
- เรื่องอะไร — ขอเลื่อน / ถามงาน / นัดพบ / ขอจดหมายแนะนำ / ชี้แจง / อื่นๆ
- ภาษา — ไทยหรืออังกฤษ (ดู norm ของวิชา/อาจารย์)
- ข้อเท็จจริงที่ต้องมี — ชื่อวิชา/รหัส, ชื่อผู้รับถ้ารู้, วันเวลาที่เกี่ยวข้อง, เหตุผลจริง (ถ้าขอเลื่อน)
- ความสัมพันธ์/ความเป็นทางการ (อาจารย์อาวุโส vs TA รุ่นพี่) — จูนระดับภาษา
หลักการร่าง
| องค์ประกอบ | กติกา |
|---|---|
| Subject | ชัดในบรรทัดเดียว: [รหัสวิชา] ขอเลื่อนกำหนดส่ง Assignment 2 — อาจารย์เมลเยอะ subject ต้องบอกเรื่องทันที |
| ขึ้นต้น | ไทย: "เรียน อาจารย์ [ชื่อ]" / อังกฤษ: "Dear Professor [LastName]," — ไม่รู้ชื่อใช้ตำแหน่ง ไม่ใช้ "Hey"/"สวัสดีครับอาจารย์" ห้วนๆ |
| ระบุตัวตน | ประโยคแรกบอกว่าเป็นใคร วิชาไหน เซคไหน — อาจารย์สอนหลายร้อยคน |
| เข้าเรื่อง | ขอ/ถามอะไรให้ชัดใน 2-3 ประโยค อย่าอ้อม |
| เหตุผล | สั้น จริง มีศักดิ์ศรี — ไม่ต้องเล่ายาว ไม่สมเพชตัวเอง ไม่โกหก |
| ข้อเสนอ | ถ้าขอเลื่อน เสนอวันใหม่ที่ทำได้จริง ไม่ใช่ถามลอยๆ ว่า "ได้ไหม" |
| ลงท้าย | ไทย: "ขอบพระคุณครับ/ค่ะ" + ชื่อ-รหัส / อังกฤษ: "Thank you for your time," + ชื่อ-รหัส |
สิ่งที่ต้องเลี่ยง
- แก้ตัวเยิ่นเย้อ/ดราม่าเกินจริง — ทำให้ดูไม่จริงและเสียเครดิต; สั้นและตรงน่าเชื่อกว่า
- เรียกร้องเหมือนอาจารย์ต้องให้ (โดยเฉพาะขอเลื่อน — เป็นการขอความกรุณา ไม่ใช่สิทธิ์)
- ภาษาแชต/อีโมจิ/ห้วนเกิน หรือทางการจนแข็งทื่อ — หาจุดสมดุลตามความสัมพันธ์
- ขอจดหมายแนะนำแบบกระชั้น — ธรรมเนียมคือแจ้งล่วงหน้าพอควรและแนบข้อมูลช่วย (CV, ผลงาน, เส้นตาย) ให้อาจารย์เขียนง่าย; ถ้า user ขอกระชั้นให้เตือนเรื่องนี้
Output
- ร่างเมลเต็มพร้อมส่ง (subject + body) ในภาษาที่เลือก
- ถ้าเป็นเรื่องละเอียดอ่อน (ขอเลื่อนเพราะป่วย/เรื่องส่วนตัว) เสนอ 2 โทน: ตรงไปตรงมา กับ นุ่มกว่า ให้ user เลือก
- ชี้จุดที่ user ต้องเติมเอง
[...](เอกสารแนบ, รายละเอียดเฉพาะ) — ไม่แต่งข้อเท็จจริง/เหตุผลแทน user เด็ดขาด
กติกา
- ห้ามแต่งเหตุผลหรือข้ออ้างแทน user — ถ้าเขาไม่ได้ให้เหตุผลมา ถาม; จะไม่ประดิษฐ์เรื่องป่วย/เหตุสุดวิสัยให้
- ถ้าสถานการณ์จริงคือส่งงานสาย/ทำพลาด แนะให้ยอมรับตรงๆ อย่างมีศักดิ์ศรี — อาจารย์ส่วนใหญ่รับได้กับความซื่อสัตย์มากกว่าข้อแก้ตัว
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 2mo ago First seen · 46 lines · 127 tokens per session scan A 9c8f10dbce2c
prof-email is a skill published in the GitHub repository Tasachii/Tasachii-Tools (2 stars, last pushed 1mo ago), licensed MIT. It adds 127 tokens to every session and 1,020 once invoked, about $0.0005 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-31.
Other skills, from other repositories
hr-onboarding
A new-hire onboarding plan as a single page — first week schedule, buddy + manager intro, learning track, equipment checklist, and "you're set when…" outcomes. Use when the brief mentions "onboarding", "new hire", "first week plan", or "入职".
book-mirror
Take any book (EPUB/PDF), produce a personalized chapter-by-chapter analysis. Each chapter is preserved in detail (The Chapter) and mirrored back to the reader's actual life (The Mirror) using brain context. The mirror observes and resonates — a friend pointing out parallels, NOT a consultant rearranging the reader's…
exam-forecast
Analyze past exams from the same professor to surface patterns — subject weighting, recurring issue-spot traps, favored hypo types, policy-vs-doctrine mix — and forecast likely emphases for the upcoming exam. Use when the user says "what's on the exam", "analyze past exams", "predict the exam", or shares past exams.
lean-formalize
Develop and verify a mathematical proof in Lean, continue an incomplete Lean project, or audit whether it proves the original statement. Connect actual inputs to intermediate lemmas, assemble the target theorem, check its transitive axioms, and provide a reproducible handoff. Use when Lean is requested or a specific…
eli5
Explain research, papers, or technical ideas in plain English with minimal jargon, concrete analogies, and clear takeaways. Use when the user says "ELI5 this", asks for a simple explanation of a paper or research result, wants jargon removed, or asks what something technically dense actually means.
deck-course-module
A course or workshop slide template with persistent learning goals, teaching pages, multiple-choice self-tests, and a wrap-up.