SKILLEMALL.ai
EN Войти

BC fintech-research

100% бесплатный, саморазмещаемый набор инструментов для анализа акций для Claude Code с поддержкой глобального рынка (США, Гонконг, Китай). Предоставляет 24 навыка анализа в 4 семействах команд (/probe, /dive, /track, /landscape), поддерживаемых локальным сервером MCP, подключающимся к yfinance (глобальные котировки), SEC EDGAR (отчеты США), HKEX News (объявления Гонконга), FRED (макроэкономика США), NewsAPI и RSS (глобальные новости) — все бесплатно, подписка не требуется.

машинный переводПоказать оригиналСкрыть оригинал«100% free, self-hosted equity research toolkit for Claude Code with gl…»

100% free, self-hosted equity research toolkit for Claude Code with global market support (US, HK, CN). Provides 24 analysis skills across 4 command families (/probe, /dive, /track, /landscape) backed by a local MCP server connecting to yfinance (global quotes), SEC EDGAR (US filings), HKEX News (HK announcements), FRED (US macro), NewsAPI and RSS (global news) — all free, zero subscription required.

ClawHub Agent Skills автор: fredtai v1.0.3 MIT-0 65 файлов тело ≈ 892 токенов Открыть источникclawhub.ai↗ проанализирован 9 ч назад

100% бесплатный, саморазмещаемый набор инструментов для анализа акций для Claude Code с поддержкой глобального рынка (США, Гонконг, Китай).

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияИИ и агентытип 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%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
C
51/100
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: 45. 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 51/100

  • 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
  • 85Шаги. Шагов: 17, расплывчатых формулировок: 1
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 892 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
  • -42 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +2Инструкции на одном языке
  • +3Длина description 403 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (1 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
The skill is a coherent finance research toolkit, but it needs Review because it exposes an unrestricted local SQL tool and can produce investment recommendations from cached or synthetic data without enough safeguards.
LLM: suspicious (high) · VirusTotal: · 9 июн. 2026 г.