BD qinghu-amazon-keyword-picker
Подбор товаров Amazon по ключевым словам от Qinghu AI: основываясь на реальных поисковых запросах покупателей, выбирайте товары «по ключевому слову» — находите нишевые слова с высоким объемом поиска и низким предложением товаров, проверяйте тенденции спроса, затем проверяйте, какие ASIN получают трафик по этим словам, чтобы найти возможности для отдельных товаров, движимых исключительно естественным поиском. Обязательно активируйте, когда пользователь хочет подобрать товары по ключевым словам, найти нишевые слова, найти поисковый спрос, узнать объем поиска и коэффициент покупки по ключевому слову, проверить товары по определенному ключевому слову, определить, является ли ключевое слово долгосрочным спросом или краткосрочным горячим словом. Ключевые слова: Qinghu AI, Amazon, подбор товаров по ключевым словам, выбор товара по ключевому слову, нишевые слова, объем поиска, соотношение спроса и предложения, проверка ключевых слов, Google Trends.
машинный переводПоказать оригиналСкрыть оригинал«青虎AI 亚马逊关键词选品：从买家真实搜索词出发做「以词定款」——挖掘高搜索量、低商品供给的蓝海词，验证需求趋势，再反查这些词的流量流向哪些…»
青虎AI 亚马逊关键词选品：从买家真实搜索词出发做「以词定款」——挖掘高搜索量、低商品供给的蓝海词，验证需求趋势，再反查这些词的流量流向哪些 ASIN，找出纯自然搜索驱动的机会单品。当用户要做关键词选品、挖蓝海词、找搜索需求、看词的搜索量与购买率、反查某个词下的商品、判断词是长期需求还是短期热词时必须触发。关键词：青虎AI、亚马逊、Amazon、关键词选品、以词定款、蓝海词、搜索量、供需比、关键词反查、Google Trends。
Подбор товаров Amazon по ключевым словам от Qinghu AI: основываясь на реальных поисковых запросах покупателей, выбирайте товары «по ключевому слову» —…
Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 43/100
- 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
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 100Шаги. Шагов: 35
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1564 токенов
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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 217 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 19 заголовков
- +3Пошаговые инструкции: 35 пунктов
- +4Есть примеры (4 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.