SKILLEMALL.ai

AC retail-performance-evaluation-analysis

Инструмент анализа оценки результатов деятельности. Объединяет четыре аспекта: достижение целей, сравнение с предыдущим периодом, базовый уровень и бенчмарк, для количественной оценки анализа "результаты деятельности ниже ожиданий". Основные возможности: 1. Комплексная оценка по четырем аспектам (достижение целей, сравнение с предыдущим периодом, исторический базовый уровень, бенчмарк среди конкурентов) 2. Определение типа ожиданий (цель, предыдущий период, базовый уровень, бенчмарк) 3. Расчет коэффициента достижения и определение статуса (нормальный/внимание/предупреждение/срочно) 4. Комплексный отчет об оценке (интеграция четырех аспектов для вывода диагностических заключений) 5. Количественная оценка "ниже ожиданий" (конкретное числовое и процентное отклонение) Условия активации: - Пользователь запрашивает оценку результатов деятельности (например, "оцени результаты деятельности") - Пользователь анализирует причины несоответствия ожиданиям (например, "почему результаты ниже ожиданий") - Пользователю требуется комплексная диагностика (например, "комплексно проанализируй результаты деятельности")

машинный переводПоказать оригиналСкрыть оригинал«业绩评价分析工具。整合目标达成、环比、基线、Benchmark四个维度,量化"业绩不达预期"分析。 核心能力: 1. 四维度综合评价(目标…»

业绩评价分析工具。整合目标达成、环比、基线、Benchmark四个维度,量化"业绩不达预期"分析。 核心能力: 1. 四维度综合评价(目标达成、环比、历史基线、同行Benchmark) 2. 预期类型识别(目标、环比、基线、Benchmark) 3. 达成率计算与状态判定(正常/关注/告警/紧急) 4. 综合评价报告(整合四个维度输出诊断结论) 5. 量化"不达预期"(具体差距数值和百分比) 触发条件: - 用户询问业绩评价(如"业绩评价一下") - 用户分析不达预期(如"为什么说不达预期") - 用户需要综合诊断(如"综合分析业绩")

ClawHub Agent Skills автор: Xtechmerge.AI v1.0.0 MIT-0 4 файла тело ≈ 211 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Инструмент анализа оценки результатов деятельности.

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: 4. 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: 22
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 211 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 4 примера фраз-триггеров в кавычках
  • +3Длина description 273 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 22 пунктов
  • +4Есть примеры (1 блоков кода)

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

Внешние проверки

ClawHub: suspicious
This skill appears non-destructive, but it can present hardcoded mock retail performance numbers as real analysis.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.