SKILLEMALL.ai
EN Войти

BC clawec-amazon-category-research

Анализ сегментированных рынков Amazon (статистика рынка, концентрация товаров/брендов/продавцов) через ClawEC API, с возможностью AI-интерпретации. Используйте, когда пользователю нужен анализ категорий, исследование сегментированных рынков, анализ категорий.

машинный переводПоказать оригиналСкрыть оригинал«通过 ClawEC API 分析亚马逊细分市场（市场统计、商品/品牌/卖家集中度），可选 AI 解读。在用户需要 category rese…»

通过 ClawEC API 分析亚马逊细分市场（市场统计、商品/品牌/卖家集中度），可选 AI 解读。在用户需要 category research、细分市场研究、类目分析时使用。

ClawHub Agent Skills автор: clawEC v1.0.0 MIT-0 6 файлов · 4 скрипта тело ≈ 710 токенов Открыть источникclawhub.ai↗ проанализирован 22 ч назад

Анализ сегментированных рынков Amazon (статистика рынка, концентрация товаров/брендов/продавцов) через ClawEC API, с возможностью AI-интерпретации.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияТорговлятип 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
86/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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.
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
  • низкая Утечка данных net-credential-use scripts/search.sh:30
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (хост вендора самого скилла)
    curl -s -X POST "https://www.clawec.com/api/aigc/ec/amazon/category_research/search" -H "Content-Type: application/json" -H "Authorization: Bearer $API_KEY" -d "$PAYLOAD"
    vendor-host

Просканировано файлов: 6. 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")

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 17
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 710 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы

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 90: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -31 из 4 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (4 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
The reviewed skill artifacts are disclosed and purpose-aligned, with no scanner or artifact evidence of hidden, destructive, or deceptive behavior.
LLM: benign (medium) · VirusTotal: · 9 июл. 2026 г.