SKILLEMALL.ai

BD 1688-multi-shop-compare

Анализ сравнения работы нескольких магазинов на 1688. Получая информацию о привязке нескольких магазинов и данные по работе каждого магазина, выполняет сравнительный анализ по трем уровням: «уровень магазина → уровень категории → уровень товара», выдавая многомерные рейтинги, диагностику распределения товаров по уровням, анализ причин аномалий, выявление возможностей и конкретные рекомендации по действиям.

машинный переводПоказать оригиналСкрыть оригинал«1688 多店经营对比分析 skill。通过获取多店铺绑定关系及各店铺经营数据,按"店铺层→类目层→商品层"三层结构做横向对比分析,输出多维…»

1688 多店经营对比分析 skill。通过获取多店铺绑定关系及各店铺经营数据,按"店铺层→类目层→商品层"三层结构做横向对比分析,输出多维排名、商品分层诊断、异常归因、机会识别和落到单品的行动建议。

ClawHub Agent Skills автор: 1688AiInfra v1.0.0 MIT-0 23 файла тело ≈ 6 601 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Анализ сравнения работы нескольких магазинов на 1688.

Как процесс D 44/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
82/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
56
Прогон на моделях
не было
Процессный рейтинг
D
44/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 23. 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 ≈ 6601 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "install_source"
  • заметка frontmatter-key неизвестное поле фронтматтера "enabled_at"

Процессный рейтинг: все десять параметров 44/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 6601 токенов
  • 100Шаги. Шагов: 176
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 11. 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)
  • +3Длина description 100: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -233 эмодзи в инструкциях: шум для модели
  • -36 из 7 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 60 заголовков
  • +3Пошаговые инструкции: 176 пунктов
  • +4Есть примеры (17 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 56.

Внешние проверки

ClawHub: clean
This skill legitimately supports 1688 multi-shop analysis, but it should only be installed by users comfortable sharing 1688 access keys and shop business data with the OpenClaw/1688 gateway.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.