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 yipng05-max/-skills --skill theory-fit-assessmentgit clone --depth 1 https://github.com/yipng05-max/-skillsWrote 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/yipng05-max/-skills/theory-fit-assessment)<a href="https://agentmods.dev/skills/yipng05-max/-skills/theory-fit-assessment"><img src="https://agentmods.dev/badge/skills/yipng05-max/-skills/theory-fit-assessment/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/yipng05-max/-skills/theory-fit-assessment"><img src="https://agentmods.dev/badge/skills/yipng05-max/-skills/theory-fit-assessment.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 | $0.00188 | $0.03073 |
| Opus 5 | $0.00094 | $0.01537 |
| Sonnet 5 | $0.00038 | $0.00615 |
| Haiku 4.5 | $0.00019 | $0.00307 |
Grade A, and why
theory-fit-assessment 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 12d 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 — 288 lines — stays where its author put it; the contents beside it link to each section on GitHub.
理论适用性评估工具（Theory Fit Assessment）
本 skill 帮助研究者在选定理论之前（或选定后进行自检）系统评估理论-研究问题的适配性， 防止理论使用流于表面（知道理论名称但不了解机制）或产生内在矛盾（理论预设与研究立场冲突）。
核心立场：理论不是装饰品，而是分析工具。一个好的理论选择意味着： 这个理论的核心机制恰好是你的研究问题所要揭示的机制； 使用它不是因为它"有名"，而是因为它"合用"。
启动：获取必要信息
触发后，收集以下信息：
必填 1：候选理论（一个或多个）
用户希望评估的理论，例如：
- "布迪厄的场域理论"
- "制度逻辑理论"
- "Foucault 的治理术（governmentality）"
- "监控资本主义（Zuboff）"
必填 2：研究问题
用户的核心研究问题，尽量具体，例如：
"平台经济中外卖骑手如何理解和应对劳动管理控制？" "基层政府在数字化政务改革中如何维持制度合法性？"
选填 3：研究现象概述
除研究问题外，简要描述研究的经验场景（有助于评估理论的经验可操作性）。
选填 4：已有的理论使用想法
用户已经想好了怎么用这个理论（便于识别是否存在过度简化或曲解）。
选填 5：已排除的理论
用户已经考虑过但排除的理论（便于理解决策背景）。
执行流程
对每个候选理论执行完整评估，然后进行跨理论比较（如有多个候选）。
第一部分：候选理论解析
在评估适配性之前，先建立对候选理论的精确理解（避免评估基于错误的理论认识）：
1.1 核心问题意识（Problem Statement）
这个理论试图解答什么问题？它是在回应什么理论困境或经验谜题而发展出来的？
说明为什么这很重要：了解一个理论的"原问题"，才能判断你的研究问题是否落在同一问题域内。
1.2 核心概念与机制
- 这个理论的最核心概念是什么？（2-4 个不可缺少的关键概念）
- 这些概念之间的关系/机制是什么？（A 通过什么过程影响 B？）
- 理论的解释力的来源是什么？（它凭什么比其他解释更好？）
1.3 本体论与认识论预设
| 维度 | 该理论的立场 |
|---|---|
| 本体论 | 实在论 / 建构主义 / 关系主义 / 其他 |
| 认识论 | 实证主义 / 诠释主义 / 批判实在论 / 其他 |
| 能动性-结构 | 偏结构 / 偏能动 / 二元论 / 二重性 |
| 分析层次 | 微观 / 中观 / 宏观 / 跨层次 |
1.4 原始适用边界
这个理论最初在什么类型的经验情境中被发展/验证？
- 地理文化背景（西欧？北美？普遍性声称？）
- 历史时期背景
- 组织/制度类型
- 分析对象类型（个体行动者？组织？场域？）
第二部分：适配性评估（核心部分）
从六个维度评估理论与研究问题的适配性：
维度 1：问题域匹配（Problem Domain Fit）
评估问题：你的研究问题是否落在这个理论试图解答的问题域内？
判断逻辑：
- 你想解释的现象，是否是这个理论的核心解释对象？
- 还是你的现象只是表面上与该理论的应用领域相似，但实质问题不同？
典型误用模式：
- 研究"组织如何适应环境变化" → 套用布迪厄场域理论（场域理论关注竞争与资本，不关注适应性）
- 研究"个体的技术使用行为" → 套用制度逻辑（制度逻辑是场域层次理论，不直接分析个体行为）
评级：✅ 核心域 / ⚠️ 边缘域（需要调适） / ❌ 域外（强行套用）
维度 2：机制匹配（Mechanism Fit）
评估问题：理论声称起作用的核心机制，是否就是你的研究中实际发生的机制？
判断逻辑：
- 将理论的核心机制表述为"在[情境X]下，[行动者/结构A]通过[过程P]产生[结果B]"
- 将你的研究现象表述为相同格式
- 两个表述在机制层面是否对应？
输出：
理论机制：在[情境X]下，[A]通过[P]产生[B]
你的现象：在[情境X']下，[A']似乎通过[P']产生[B']
机制对应程度：高度对应 / 部分对应 / 表面相似但机制不同
如果部分对应：哪里对应，哪里不对应？
评级：✅ / ⚠️ / ❌
维度 3：认识论兼容性（Epistemological Compatibility）
评估问题：理论的认识论预设是否与研究者的方法论立场兼容？
这是最容易被忽视、但一旦出问题影响最大的维度。
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.
- 12d ago First seen · 288 lines · 188 tokens per session scan A 6a844b6775a1
theory-fit-assessment is a skill published in the GitHub repository yipng05-max/-skills (286 stars, last pushed 4mo ago), licensed MIT. It adds 188 tokens to every session and 3,073 once invoked, about $0.0009 per session on Opus 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 2026-08-30.
Other skills, from other repositories
systematic-debugging
Use when encountering any bug, test failure, or unexpected behavior, before proposing fixes.
local-ai-agents
Build local-first AI agents that run entirely on a developer workstation with Microsoft Foundry Local and Qwen function-calling models. Covers Small Language Models (SLMs), the OpenAI-compatible local endpoint, sandboxed local tools, local RAG with Chroma, local MCP servers, hybrid cloud/local routing, and the…
next-cache-components-adoption
Turn on Cache Components in a Next.js app and resolve the blocking routes it surfaces. Use when the user wants to enable, adopt, or migrate to Cache Components, flip the cacheComponents flag, work through a flood of blocking-prerender / instant validation errors, run the cache-components-instant-false codemod, or…
insight-error-page
Write or audit an insight-kind error page for the Next.js dev overlay. Use when creating a new errors/ .mdx page, auditing an existing one, or checking that a page matches the framework fix cards. Covers page structure, title alignment, FixCard cards with Copy prompt button, code snippets, terminology verification…
next-cache-components-optimizer
Drive a Next.js route to instant navigation by setting up an agentic loop, under Cache Components / PPR, on initial load (hard navigation) and client-side navigation (soft navigation). Encode the goal as a failing @next/playwright instant() e2e and work it to green, one verified route at a time; the shipped test then…
next-partial-prefetching-adoption
Turn on Partial Prefetching in a Next.js app and work through the insights it surfaces. Use when the user wants to enable or adopt Partial Prefetching, flip the partialPrefetching flag, opt routes in with export const prefetch = 'partial', audit Link prefetch={true} behavior, preserve existing prefetched UI with…