SKILLEMALL.ai

AC retail-deal-goods-profile-analysis

Инструмент анализа характеристик проданных товаров. Анализирует распределение характеристик проданных товаров, таких как категория, ценовой диапазон, цвет, тип сумки, дата выпуска, и их изменения по сравнению с предыдущим периодом. Основные возможности: 1. Распределение по категориям (доля женских сумок/мужских сумок/кошельков/аксессуаров) 2. Распределение по ценовым диапазонам (основной ценовой диапазон продаж, доля товаров с высокой ценой) 3. Распределение по типам сумок (сумки для рук/кросс-боди/рюкзаки/тоуты и т. д.) 4. Распределение по цветам (черная гамма/коричневая гамма/красная и т. д.) 5. Распределение по дате выпуска (доля новинок/текущего сезона/старых моделей) 6. Анализ изменений по сравнению с предыдущим периодом (изменения характеристик текущего периода по сравнению с предыдущим) Условия срабатывания: - Пользователь запрашивает характеристики товаров (например, «Какие характеристики у проданных товаров?») - Пользователь анализирует структуру категорий (например, «Какие категории хорошо продаются?») - Пользователю нужен анализ ценового диапазона (например, «Какой основной ценовой диапазон продаж?»)

машинный переводПоказать оригиналСкрыть оригинал«成交商品画像分析工具。分析成交商品的品类、价格带、颜色、包型、上市时间等特征分布及环比变化。 核心能力: 1. 品类分布(女包/男包/钱包…»

成交商品画像分析工具。分析成交商品的品类、价格带、颜色、包型、上市时间等特征分布及环比变化。 核心能力: 1. 品类分布(女包/男包/钱包/配饰占比) 2. 价格带分布(主销价格带、高客单占比) 3. 包型分布(手提/斜挎/双肩/托特等) 4. 颜色分布(黑色系/棕色系/红色等) 5. 上市时间分布(新品/当季/老款占比) 6. 环比变化分析(本期vs上期特征变化) 触发条件: - 用户询问商品画像(如"成交商品有什么特征") - 用户分析品类结构(如"什么品类卖得好") - 用户需要价格带分析(如"主销价格带是多少")

ClawHub Agent Skills автор: Xtechmerge.AI v1.0.0 MIT-0 3 файла тело ≈ 119 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Инструмент анализа характеристик проданных товаров.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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: 3. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 7
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 119 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

  • +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
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 265 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 7 пунктов
  • +4Есть примеры (1 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: suspicious
This retail analytics skill appears purpose-aligned, but it should be reviewed because it loads an undeclared local API client outside the package to access store BI data.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.