SKILLEMALL.ai

BF unified-asset-advisor

Унифицированный навык анализа распределения активов по крупным классам (интегрированная версия). На основе анализа макроэкономики и тенденций отраслей первого уровня Shenwan генерирует отчеты с рекомендациями по распределению активов по крупным классам в Китае. Источник данных использует AKShare (взаимодействует с авторитетными источниками, такими как Национальное бюро статистики / Eastmoney, не является черным ящиком). Вывод в трех форматах: HTML (визуальные карточки + диаграмма производственной цепочки), Markdown (полный документ анализа), Excel (структурированные данные из 8 листов). Охватывает макроэкономику → циклы активов → отбор отраслей → анализ производственной цепочки → операции с инструментами (акции A / акции Гонконга / QDII / ETF / облигационные фонды / товарные фонды) → стратегии фьючерсов и опционов (включая оценку достоверности + рекомендации по стоп-лоссу). Триггерные слова: распределение активов, макроэкономический анализ, крупные классы активов, отраслевое распределение, инвестиционные рекомендации, какие еще активы заслуживают внимания. Используется, когда пользователь вручную выбирает этот навык или использует эти триггерные слова.

машинный переводПоказать оригиналСкрыть оригинал«统一大类资产配置分析技能(融合版)。基于宏观经济分析和申万一级行业趋势,生成中国大类资产配置建议报告。数据源采用 AKShare(底层对接国…»

统一大类资产配置分析技能(融合版)。基于宏观经济分析和申万一级行业趋势,生成中国大类资产配置建议报告。数据源采用 AKShare(底层对接国家统计局/东方财富等权威源,非黑盒)。输出三格式:HTML(可视化卡片+产业链图)、Markdown(完整分析文档)、Excel(8 Sheet结构化数据)。覆盖宏观经济→资产周期→行业筛选→产业链分析→品种操作(A股/港股通/QDII/ETF/债券基金/商品基金)→期货期权策略(含置信度评级+止损参考)。触发词:资产配置、宏观分析、大类资产、行业配置、投资建议、还有哪些资产值得关注。当用户手动选择此 skill 或使用这些触发词时使用。

ClawHub Agent Skills автор: bianchunhui v1.0.1 MIT-0 9 файлов тело ≈ 4 679 токенов Открыть источникclawhub.ai проанализирован 19 ч назад

Унифицированный навык анализа распределения активов по крупным классам (интегрированная версия).

Как процесс F 39/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: scripts/fetch_macro.py, references/asset_cycle_logic.md, assets/report_template.html

ПроцедураРазработкаДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
83/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
57
Прогон на моделях
не было
Процессный рейтинг
F
39/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: scripts/fetch_macro.py, references/asset_cycle_logic.md, assets/report_template.html
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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: 0. 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")
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/fetch_macro.py
  • предупреждение missing-ref ссылка на отсутствующий файл: references/asset_cycle_logic.md
  • предупреждение missing-ref ссылка на отсутствующий файл: assets/report_template.html
  • предупреждение missing-ref ссылка на отсутствующий файл: assets/report_template.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/sw_industry_list.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/futures_options_guide.md
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

Процессный рейтинг: все десять параметров 39/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: scripts/fetch_macro.py, references/asset_cycle_logic.md, assets/report_template.html
  • 0Инструменты и файлы. Не хватает 6 файла(ов): scripts/fetch_macro.py, references/asset_cycle_logic.md, assets/report_template.html
  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 70Стоимость исполнения. Тело инструкции 4679 токенов
  • 100Шаги. Шагов: 58
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 14. Похоже на несколько доменов в одном скилле

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
  • -222 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 291 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 57 заголовков
  • +3Пошаговые инструкции: 58 пунктов
  • +4Есть примеры (30 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 57.

Внешние проверки

ClawHub: clean
This is a disclosed financial-analysis skill that gathers public market data and generates reports, with notable investment-risk cautions but no evidence of hidden, destructive, or credential-seeking behavior.
LLM: benign (medium) · VirusTotal: · 13 июн. 2026 г.