SKILLEMALL.ai
EN Войти

AD amazon-product-research

Навык исследования выбора товаров на Amazon: используйте данные отзывов, чтобы проверить, стоит ли заниматься определенной категорией — собирайте отзывы конкурентов на продаваемые товары, смотрите, на что жалуются покупатели, какие проблемы не решают существующие товары, за что они готовы платить больше. Превратите выбор товаров «наугад» в обоснованное суждение о потребностях. Используйте, когда пользователь спрашивает об исследовании продуктов, проверке ниши, исследовании рынка, оценке возможностей, выборе товаров, исследовании товаров, исследовании рынка, проверке спроса, анализе голубого океана, возможностях категории, позиционировании продукта. Требуется ключ API ARI (ari_live_*).

машинный переводПоказать оригиналСкрыть оригинал«亚马逊选品调研 Skill：用评论数据验证一个品类值不值得做——采集在售竞品评论， 看买家的抱怨集中在哪、现有产品没解决什么、愿意为什么加价…»

亚马逊选品调研 Skill：用评论数据验证一个品类值不值得做——采集在售竞品评论， 看买家的抱怨集中在哪、现有产品没解决什么、愿意为什么加价， 把拍脑袋选品变成有证据的需求判断。Use when the user asks about product research, niche validation, market research, opportunity sizing, 选品、选品调研、市场调研、 需求验证、蓝海分析、品类机会、产品定位。Requires an ARI API key (ari_live_*).

ClawHub Agent Skills автор: funewa v1.4.8 MIT-0 9 файлов тело ≈ 2 366 токенов Открыть источникclawhub.ai↗ проанализирован 30 ч назад

Навык исследования выбора товаров на Amazon: используйте данные отзывов, чтобы проверить, стоит ли заниматься определенной категорией — собирайте отзывы…

Как процесс D 45/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

ИнтеграцияРазработкаДанные и аналитикаИИ 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
A
93/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
D
45/100
Процесс не доведён
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

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

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 · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1
    • средняя Утечка данных net-redirectable-api-key scripts/ari.py:61
      Скрипт отправляет API-ключ на хост из переменной окружения — ключ можно перенаправить на другой сервер
      API key + configurable base URL from environment

    Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
    • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"
    • заметка frontmatter-key неизвестное поле фронтматтера "slug"
    • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
    • заметка frontmatter-key неизвестное поле фронтматтера "summary"

    Процессный рейтинг: все десять параметров 45/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (amazon-product-research) не совпадает с папкой (product-research)
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 69
    • 100Стоимость исполнения. Тело инструкции 2366 токенов
    • low Разделов верхнего уровня: 10. 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
    • +2Инструкции на одном языке
    • +3Длина description 262 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 69 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 1 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

    Внешние проверки

    ClawHub: suspicious
    This skill is a disclosed Amazon review research tool, but it can spend account credits automatically under server-side auto-confirm rules and can change ongoing monitoring or confirmation settings.
    LLM: suspicious (high) · 8 сент. 2026 г.