SKILLEMALL.ai
EN Войти

AD amazon-review-sentiment

Анализ тональности отзывов на Amazon: определяет эмоциональную окраску отзывов и агрегирует их по темам, чтобы понять, по каким аспектам покупатели высказываются положительно, а по каким — отрицательно. Отзывы о разных свойствах одного продукта часто поляризованы, поэтому даются выводы по каждому аспекту, а не только общая оценка. Используйте, когда пользователь спрашивает об анализе тональности, эмоциональной окраске отзывов, положительных и отрицательных темах, анализе настроений, анализе эмоций, сравнении положительных и отрицательных отзывов, тенденциях репутации, классификации положительных и отрицательных аспектов. Требуется ключ ARI API (ari_live_*).

машинный переводПоказать оригиналСкрыть оригинал«亚马逊评论情感分析 Skill：判定评论的情感倾向并按主题聚合， 看清买家在哪些维度上正面、哪些维度上负面。同一产品不同属性的口碑常常两极分…»

亚马逊评论情感分析 Skill：判定评论的情感倾向并按主题聚合， 看清买家在哪些维度上正面、哪些维度上负面。同一产品不同属性的口碑常常两极分化， 所以逐维度给结论而不是只给一个总分。Use when the user asks about sentiment analysis, emotional tone of reviews, positive versus negative themes, 情感分析、情绪分析、 好评差评对比、口碑倾向、正负面归类。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 2 дн назад

Анализ тональности отзывов на Amazon: определяет эмоциональную окраску отзывов и агрегирует их по темам, чтобы понять, по каким аспектам покупатели…

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

АнализаторИнфраструктуратип 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

Такой же скилл встречается ещё в 1 месте: ClawHub

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-review-sentiment) не совпадает с папкой (review-sentiment)
    • 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 266 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
    The skill is a real ARI review-analysis integration, but it can spend credits and change ongoing account behavior with weaker per-request confirmation than users may expect.
    LLM: suspicious (high) · 8 сент. 2026 г.