SKILLEMALL.ai

BD qinghu-shopee-decision

青虎AI Shopee принятие решений по выбору товаров: для крупных проектных инициаций, объединяет четыре линии — общая ситуация на площадке, рейтинги категорий, рейтинги магазинов, рейтинги товаров и популярные поисковые запросы, выдает комплексный отчет по выбору товаров «общая ситуация + конкуренты + хиты продаж + поисковые запросы» и многомерные выводы. Обязательно активировать, когда пользователь хочет инициировать выбор товаров на Shopee, получить полный аналитический отчет, одновременно увидеть общую ситуацию, конкурентов, хиты продаж и поисковые запросы, получить многомерные основания для принятия решений. Ключевые слова: 青虎AI, Shopee,虾皮, выбор товаров, принятие решений, инициация проекта, комплексный отчет, общая ситуация, конкуренты, хиты продаж, популярные поисковые запросы, многомерный анализ.

машинный переводПоказать оригиналСкрыть оригинал«青虎AI Shopee 选品决策:面向重大项目立项,一次串起站点大盘、类目榜单、店铺榜单、商品榜单与热搜词榜四条线,输出「大盘+竞店+爆款+…»

青虎AI Shopee 选品决策:面向重大项目立项,一次串起站点大盘、类目榜单、店铺榜单、商品榜单与热搜词榜四条线,输出「大盘+竞店+爆款+搜词」的全景选品报告与多维度结论。当用户要做 Shopee 选品立项、要一份完整分析报告、要同时看大盘竞店爆款和搜词、要多维度决策依据时必须触发。关键词:青虎AI、Shopee、虾皮、选品决策、立项、全景报告、大盘、竞店、爆款、热搜词、多维分析。

ClawHub Agent Skills автор: AutoAGC v0.1.3 MIT-0 2 файла тело ≈ 1 570 токенов Открыть источникclawhub.ai проанализирован 35 ч назад

青虎AI Shopee принятие решений по выбору товаров: для крупных проектных инициаций, объединяет четыре линии — общая ситуация на площадке, рейтинги категорий…

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
D
43/100
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.
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: 2. 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 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 1570 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 193 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 35 пунктов
  • +4Есть примеры (4 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
The skill coherently produces paid Shopee market reports through Qinghu APIs, with a disclosed but noteworthy default to save larger data tables locally.
LLM: benign (high) · VirusTotal: · 8 сент. 2026 г.