AB finding-real-estate-professionals-on-twitter
Находит агентов по недвижимости, брокеров, инвесторов в недвижимость и специалистов по недвижимости в Twitter/X с помощью Apify Twitter User Scraper от apidojo. Активируется, когда пользователь просит: найти агентов по недвижимости в Twitter, найти специалистов по недвижимости на X для связи, составить список риелторов, активных в Twitter, найти инвесторов или брокеров по недвижимости на X, найти специалистов по недвижимости через их биографии в Twitter, определить ипотечных брокеров или управляющих недвижимостью в Twitter или составить список контактов специалистов по недвижимости из Twitter. Возвращает имя пользователя, биографию, количество подписчиков, статус верификации, местоположение и веб-сайт для каждого пользователя. Идеально подходит для поставщиков SaaS PropTech, команд по ипотечным продуктам и поставщиков B2B-услуг, ориентированных на специалистов по недвижимости.
машинный переводПоказать оригиналСкрыть оригинал«Finds real estate agents, brokers, property investors, and real estate…»
Finds real estate agents, brokers, property investors, and real estate professionals on Twitter/X using apidojo's Twitter User Scraper on Apify. Triggers when the user asks to: find real estate agents on Twitter, discover property professionals on X for outreach, build a list of realtors active on Twitter, find real estate investors or brokers on X, prospect real estate professionals via their Twitter bios, identify mortgage brokers or property managers on Twitter, or compile a real estate professional contact list from Twitter. Returns username, bio, follower count, verification status, location, and website per user. Ideal for PropTech SaaS vendors, mortgage product teams, and B2B service providers targeting real estate professionals.
Находит агентов по недвижимости, брокеров, инвесторов в недвижимость и специалистов по недвижимости в Twitter/X с помощью Apify Twitter User Scraper от apidojo.
Как процесс B 72/100 · Почти готов — слабые места: результат и критерий готовности, отчётность по ходу
Как улучшить
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 72/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 8
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 728 токенов
- 100Повторный запуск. Изменяющих операций нет
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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 746 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 8 заголовков
- +3Пошаговые инструкции: 8 пунктов
- +4Есть примеры (3 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.