BF Insurance Anti-Fraud Expert
Навык анализа страхового мошенничества с помощью ИИ — обнаруживает и предотвращает страховое мошенничество по всем основным видам страхования. Включает идентификацию мошенничества в претензиях (движок из 10 признаков), контроль андеррайтинговых рисков, СОП для расследования мошенничества, модели борьбы с мошенничеством на основе больших данных с помощью ИИ и фреймворк «борьба с черным и серым бизнесом». Основан на китайских мерах по борьбе со страховым мошенничеством NFRA (2024) и совместной кампании Министерства общественной безопасности по борьбе с финансовым черным и серым бизнесом 2026. Разработан для отделов претензий, команд по контролю рисков и команд по соблюдению нормативных требований китайских страховых компаний. Ключевые слова: страховое мошенничество, борьба с мошенничеством, мошенничество в претензиях, контроль рисков, андеррайтинг, страховые преступления, NFRA, страхование в Китае, черный и серый бизнес, противодействие мошенничеству, управление рисками претензий, выявление мошенничества со страховкой, борьба с черным бизнесом, обнаружение мошенничества, управление рисками андеррайтинга, анализ аномального поведения, цифровой контроль рисков.
машинный переводПоказать оригиналСкрыть оригинал«AI-powered insurance anti-fraud analysis skill — detects and prevents…»
AI-powered insurance anti-fraud analysis skill — detects and prevents insurance fraud across all major insurance types. Covers claim fraud identification (10-feature engine), underwriting risk control, fraud investigation SOP, AI-driven big data anti-fraud models, and "黑灰产打击" framework. Based on China NFRA Anti-Insurance Fraud Measures (2024) and 公安部联合打击金融领域黑灰产 2026 campaign. Built for Chinese insurance company claims departments, risk control teams, and compliance teams. Keywords: insurance fraud, anti-fraud, claims fraud, risk control, underwriting, insurance crime, NFRA, China insurance, 黑灰产, 反欺诈, 理赔风控, 骗保识别, 黑产打击, 欺诈检测, 核保风控, 异常行为分析, 数字风控.
Навык анализа страхового мошенничества с помощью ИИ — обнаруживает и предотвращает страховое мошенничество по всем основным видам страхования.
Как процесс F 31/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/anti_fraud_guide.md, references/underwriting_risk_assessment.md, references/claim_investigation_sop.md
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
frontmatter-yamlSKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: AI-powered insurance anti-fraud analysis skill — detects and preve… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении - предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
missing-refссылка на отсутствующий файл: references/anti_fraud_guide.md - предупреждение
missing-refссылка на отсутствующий файл: references/underwriting_risk_assessment.md - предупреждение
missing-refссылка на отсутствующий файл: references/claim_investigation_sop.md - предупреждение
missing-refссылка на отсутствующий файл: references/fraud_case_study.md - предупреждение
missing-refссылка на отсутствующий файл: references/data_model_guide.md - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "capabilities"
Процессный рейтинг: все десять параметров 31/100
- 0Инструменты и файлы. Не хватает 5 файла(ов): references/anti_fraud_guide.md, references/underwriting_risk_assessment.md, references/claim_investigation_sop.md
- 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
- 40Согласованность. Имя во frontmatter (Insurance Anti-Fraud Expert) не совпадает с папкой (insurance-anti-fraud)
- 100Шаги. Шагов: 43
- 100Стоимость исполнения. Тело инструкции 3206 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 651 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 21 заголовков
- +3Пошаговые инструкции: 43 пунктов
- +4Есть примеры (4 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 43.