用途：该技能用于在主办方借助 LLM 或 AI 智能体评审公开 Kaggle 黑客松时调用，帮助检索全部参赛 writeup、提取其中链接的项目制品与视频，形成完整评审证据集，并基于分类器与成对比较生成比较排名与钟形评分曲线。
主要能力与权限：通过 Kaggle MCP 服务器访问黑客松提交。可用工具包括 get_hackathon_overview、list_hackathon_tracks、get_hackathon_write_up、list_hackathon_write_ups、download_hackathon_write_ups（CSV 导出）。权限分级：匿名仅可用 overview 与 tracks；登录用户可读单个 writeup；提交者可列出 writeup；评委与主办方可下载全部 writeup。
必要用法：需准备 Kaggle API token（KAGGLE_API_TOKEN 或 ~/.kaggle/access_token），MCP 客户端配置调用 https://www.kaggle.com/mcp 并带 Authorization: Bearer <token>，以及目标竞赛 slug。安装配置示例为： { "mcpServers": { "kaggle": { "url": "https://www.kaggle.com/mcp", "headers": { "Authorization": "Bearer ${KAGGLE_API_TOKEN}" } } } } 流程大致为：调用 get_hackathon_overview 获取概览，提取资格规则与评审标准并与用户确认，下载全部 writeup，解析 Kaggle 原生链接（notebook、dataset、model）及非 Kaggle 链接（可考虑 Playwright CLI），汇总 YouTube 视频，核对无遗漏后构建完整证据集。随后参考已有 LLM 评审项目与 /docs、/leaderboard、/dashboard 页面，使用 hamelsmu/evals-skills 先做 eval-audit 审计，再初评、抽查评分轨迹、错误分析，最后用修正后的提示词终评并人工复核高排名提交。
限制与要求：必须先审计再使用 AI 评分，不得跳过附件与视频提取，必须记录全部评分轨迹，避免连续量表或 Likert 评分，防止位置偏差与模型偏好，需抵御提示注入，并与至少 25 条少样本示例对齐、与人工评分比对。官方未提供具体价格、平台费用或效果数据。