SKILLEMALL.ai
EN Войти

AC economic-data-fred-worldbank

Экономические данные для AI-агентов — поиск по более чем 800 тыс. экономических серий Федерального резерва (FRED), получение любой серии FRED по идентификатору, мировые страновые индикаторы Всемирного банка и производные статистические данные рынка США (доступность жилья, рыночная активность, насыщенность отрасли). Используйте для макроэкономических исследований, анализа рынка и экономических индикаторов. Оплата за вызов в USDC через x402 — без API-ключа, без регистрации.

машинный переводПоказать оригиналСкрыть оригинал«Economic data for AI agents — search 800k+ Federal Reserve (FRED) econ…»

Economic data for AI agents — search 800k+ Federal Reserve (FRED) economic series, pull any FRED series by id, World Bank country indicators, and derived US market stats (housing affordability, market vitality, industry saturation). Use for macroeconomic research, market analysis, and economic indicators. Pay-per-call in USDC via x402 — no API key, no signup.

ClawHub Agent Skills автор: ColinHughes2121 v1.0.0 MIT-0 2 файла тело ≈ 372 токенов Открыть источникclawhub.ai↗ проанализирован 21 ч назад

Экономические данные для AI-агентов — поиск по более чем 800 тыс.

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияДанные и аналитикаИсследованиятип 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
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 55/100

    • 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
    • 75Шаги. Шагов: 3
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 372 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
    • +4Нет примеров входа/выхода
    • +2Инструкции на одном языке
    • +3Длина description 361 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 5 заголовков
    • +3Пошаговые инструкции: 3 пунктов
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.

    Внешние проверки

    ClawHub: clean
    The skill artifacts are coherent operational and development guidance with powerful but disclosed, user-gated actions.
    LLM: benign (high) · VirusTotal: · 21 июн. 2026 г.