SKILLEMALL.ai

AC gtyt-reconcile

Трехэтапный процесс сверки счетов поставщиков и накладных на получение товаров от 共同赢 (GTYT). Используется для ежемесячной сверки соответствия «цена за единицу», «количество», «сумма» в «Счете 共同赢 за X месяц - Шанхай - 共同赢.xls» и «Детализация накладных на получение» по каждому магазину и продукту, с выводом двух Excel-файлов: (1) Сравнение расхождений сумм двух таблиц .xls (сравнение всех названий магазинов + список расхождений по 25 магазинам), (2) Счет 共同赢 за X месяц - отмеченные расхождения .xls (в исходном счете желтым фоном выделена каждая ячейка с расхождением). Ключевые слова для триггера: «сверка», «сверка», «共同赢», «расхождения в накладных», «отметить расхождения», «счет vs накладная».

машинный переводПоказать оригиналСкрыть оригинал«共同赢(GTYT)供应商账单与到货单的三阶段对账流程。用于按月核对「共同赢X月账单-上海-共同赢.xls」与「到货单明细表」在每店每产品上的…»

共同赢(GTYT)供应商账单与到货单的三阶段对账流程。用于按月核对「共同赢X月账单-上海-共同赢.xls」与「到货单明细表」在每店每产品上的「单价」「数量」「金额」是否一致,输出两份 Excel:(1) 两表金额差异对比 .xls(全量店名对比 + 25 店差异清单),(2) 共同赢X月账单-已标差异 .xls(在原账单上用黄色背景标出每个差异单元格)。触发关键词:「对账」「核对」「共同赢」「到货单差异」「标差异」「账单 vs 到货」。

ClawHub Agent Skills автор: CharlesOYoung v1.0.0 MIT-0 7 файлов тело ≈ 561 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Трехэтапный процесс сверки счетов поставщиков и накладных на получение товаров от 共同赢 (GTYT).

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

СправочникДанные и аналитикаФинансыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 7. 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
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 27
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 561 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 220 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 27 пунктов
  • +4Есть примеры (1 блоков кода)
  • +3Все 5 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: suspicious
This skill appears to do the advertised reconciliation work, but it handles sensitive business spreadsheets with under-scoped local staging and outbound delivery.
LLM: suspicious (high) · 7 сент. 2026 г.