SKILLEMALL.ai
EN Войти

BA fleece

CLI для исследования и получения вознаграждений по кредитным картам. Ищет ставки вознаграждений, годовые сборы, приветственные бонусы, кредиты по выписке, партнеров по переводу, оценку баллов, правила подачи заявок, доступ в лаунж и туристические страховки для Chase, Amex, Citi, Capital One, Bilt и всех основных эмитентов США. Сравнивает карты, анализирует пробелы в кошельке, оценивает ROI, дает рекомендации, ищет коды категорий продавцов и ищет премиальные авиабилеты и отели. Установка через pip install fleece-cli.

машинный переводПоказать оригиналСкрыть оригинал«Credit card research and redemption CLI. Looks up rewards rates, annua…»

Credit card research and redemption CLI. Looks up rewards rates, annual fees, welcome bonuses, statement credits, transfer partners, point valuations, application rules, lounge access, and travel protections for Chase, Amex, Citi, Capital One, Bilt, and all major US issuers. Compare cards, analyze wallet gaps, estimate ROI, get recommendations, look up merchant category codes, and search award flights and hotels. Install with pip install fleece-cli.

ClawHub Agent Skills автор: Yuan Chen v1.6.1 MIT-0 80 файлов · 2 скрипта тело ≈ 2 070 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

CLI для исследования и получения вознаграждений по кредитным картам.

Как процесс A 83/100 · Дойдёт до конца — слабые места: повторный запуск, отчётность по ходу

ИнтеграцияРазработкаДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
A
83/100
Дойдёт до конца
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Результат и критерий готовности вес 14
60
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Секреты в коде secret-high-entropy-token docs/index.html:13
    Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
    <meta name="google-site-verification" content="9DkA…rGA" />
    в кавычках

Просканировано файлов: 49. 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 83/100

  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 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: 14
  • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2070 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)
  • -44 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +2Инструкции на одном языке
  • +3Длина description 453 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 22 заголовков
  • +3Пошаговые инструкции: 14 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (20 блоков кода)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
The core CLI is mostly coherent, but the published artifact also contains broader iOS, wallet, location, Gmail, and safety-filter-bypass behavior that users should review before installing or building.
LLM: suspicious (high) · VirusTotal: · 4 авг. 2026 г.