SKILLEMALL.ai
EN Войти

BD proof-engine

Преобразует каждый результат, достигнутый [PRINCIPAL_NAME], в развертываемое доказательство во всех бизнес-доменах. Собирает отчет о прибылях и убытках, производительность агента, доход от воронки, отзывы, вехи и упоминания в СМИ. Преобразует необработанные данные в убедительные истории с помощью движка сторителлинга. Генерирует контент на основе доказательств, готовый для всех платформ. Отслеживает многоканальную финансовую панель. Сканирует высокопотенциальные бизнес-возможности на 2026 год. Автоматически развертывает доказательства в скриптах воронок, брендинга, охвата и VSL. Движок достоверности, который заставляет все остальное конвертировать.

машинный переводПоказать оригиналСкрыть оригинал«Transforms every result [PRINCIPAL_NAME] achieves into deployable proo…»

Transforms every result [PRINCIPAL_NAME] achieves into deployable proof across all business domains. Captures P&L, agent performance, funnel revenue, testimonials, milestones, and media mentions. Converts raw data into compelling stories via the Storytelling Engine. Generates proof-based content ready for all platforms. Tracks a multi-channel financial dashboard. Scans high-potential business opportunities for 2026. Deploys proof automatically into funnels, brand, outreach, and VSL scripts. The credibility engine that makes everything else convert.

LeoYeAI/openclaw-master-skills Agent Skills автор: LeoYeAI MIT 8 файлов тело ≈ 5 252 токенов Открыть источникgithub.com↗ проанализирован 19 ч назад

Преобразует каждый результат, достигнутый [PRINCIPALNAME], в развертываемое доказательство во всех бизнес-доменах.

Как процесс D 49/100 · Процесс не доведён — слабые места: шаги, когда включается, входы и предусловия

ГенераторTelegramИнфраструктураДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
82/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Шаги вес 15
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • средняя Утечка данных exfil-webhook-url proof_manager.py:99
    URL вебхука / коллбэка, типичный для эксфильтрации (проверьте адрес) (в кавычках — упоминание, а не команда)
    f"https://api.telegram.org/bot{token}/sendMessage",
    в кавычках

Просканировано файлов: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • предупреждение body-long тело SKILL.md ≈ 5252 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 49/100

  • 0Шаги. Инструкция сплошным текстом, шаги не выделены
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Стоимость исполнения. Тело инструкции 5252 токенов
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Нет пошаговых инструкций или чек-листа
  • +2Инструкции на одном языке
  • +3Длина description 554 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 37 заголовков
  • +3Формат ответа описан явно
  • +4Есть примеры (28 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.