SKILLEMALL.ai

BC football-data

Данные о футболе (соккере) по 13 лигам — турнирные таблицы, расписания, статистика матчей, xG, трансферы, профили игроков. Нулевая конфигурация, без API-ключей. Охватывает Премьер-лигу, Ла Лигу, Бундеслигу, Серию А, Лигу 1, MLS, Лигу чемпионов, Чемпионат мира, Чемпионшип, Эредивизи, Примейра-лигу, Серию А Бразилии, Чемпионат Европы. Используйте, когда: пользователь спрашивает о турнирных таблицах, расписаниях, статистике матчей, xG, составах, стоимости игроков, трансферах, новостях о травмах, таблицах лиг, ежедневных расписаниях или профилях игроков по футболу/соккеру. Не используйте, когда: пользователь спрашивает об американском футболе/NFL (используйте nfl-data), студенческом футболе (используйте cfb-data), NBA (используйте nba-data), WNBA (используйте wnba-data), студенческом баскетболе (используйте cbb-data), NHL (используйте nhl-data), MLB (используйте mlb-data), теннисе (используйте tennis-data), гольфе (используйте golf-data), Формуле-1 (используйте fastf1) или коэффициентах на ставки (используйте polymarket или kalshi). Не используйте для результатов в реальном времени — данные обновляются после матча. Не используйте get_season_leaders или get_missing_players для лиг, кроме Премьер-лиги (они возвращают пустые значения). Не используйте get_event_xg для лиг за пределами топ-5 (EPL, La Liga, Bundesliga, Serie A, Ligue 1).

машинный переводПоказать оригиналСкрыть оригинал«Football (soccer) data across 13 leagues — standings, schedules, match…»

Football (soccer) data across 13 leagues — standings, schedules, match stats, xG, transfers, player profiles. Zero config, no API keys. Covers Premier League, La Liga, Bundesliga, Serie A, Ligue 1, MLS, Champions League, World Cup, Championship, Eredivisie, Primeira Liga, Serie A Brazil, European Championship. Use when: user asks about football/soccer standings, fixtures, match stats, xG, lineups, player values, transfers, injury news, league tables, daily fixtures, or player profiles. Don't use when: user asks about American football/NFL (use nfl-data), college football (use cfb-data), NBA (use nba-data), WNBA (use wnba-data), college basketball (use cbb-data), NHL (use nhl-data), MLB (use mlb-data), tennis (use tennis-data), golf (use golf-data), Formula 1 (use fastf1), or betting odds (use polymarket or kalshi). Don't use for live/real-time scores — data updates post-match. Don't use get_season_leaders or get_missing_players for non-Premier League leagues (they return empty). Don't use get_event_xg for leagues outside the top 5 (EPL, La Liga, Bundesliga, Serie A, Ligue 1).

ClawHub Agent Skills автор: André Antonelli v0.1.0 6 файлов · 1 скрипт тело ≈ 5 155 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Данные о футболе (соккере) по 13 лигам — турнирные таблицы, расписания, статистика матчей, xG, трансферы, профили игроков.

Как процесс C 60/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия

ИнтеграцияИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
78/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
44
Прогон на моделях
не было
Процессный рейтинг
C
60/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
50
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: football-data (ClawHub)

Как улучшить

  1. Сократите description до 1024 символов.
  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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • ошибка description-long description 1094 символов, лимит 1024
  • предупреждение body-long тело SKILL.md ≈ 5155 токенов (рекомендуется < 5000); вынесите детали в references/

Процессный рейтинг: все десять параметров 60/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 5155 токенов
  • 100Шаги. Шагов: 108
  • 100Ошибки и развилки. Развилок: 8, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющих операций нет
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее

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
  • +3Длина description 1093: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • -31 из 1 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +4Описание говорит, когда скилл НЕ применять
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 108 пунктов
  • +4Есть примеры (17 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 44.

Внешние проверки

ClawHub: clean
This is a coherent read-only soccer data helper, with the main caution that setup depends on an external Python package and an unpinned GitHub fallback.
LLM: benign (high) · VirusTotal: suspicious · 28 мая 2026 г.