SKILLEMALL.ai

AC retail-sku-comparison-analysis

Инструмент сравнительного анализа SKU. Поддерживает многомерный сравнительный анализ SKU по времени, в горизонтальной плоскости, по рекомендациям и т.д. Основные возможности: 1. Сравнение по времени (текущий период против предыдущего, до и после акции, месяц к месяцу). 2. Горизонтальное сравнение (рейтинг нескольких SKU, бенчмаркинг). 3. Сравнение по рекомендациям (различия в продажах одного SKU разными рекомендателями). 4. Сравнение показателей продаж (объем продаж, количество продаж, коэффициент конверсии). 5. Сравнение данных AIoT (количество пробных использований, конверсия в покупку). Условия срабатывания: - Пользователь сравнивает SKU (например, «Что лучше продается: Xinyao 2 или Shuper?»). - Пользователь анализирует изменения SKU (например, «Как этот товар по сравнению с прошлым месяцем?»). - Пользователю нужен рейтинг SKU (например, «Какие 10 лучших SKU?»).

машинный переводПоказать оригиналСкрыть оригинал«SKU对比分析工具。支持SKU的时间维度、横向、导购等多维度对比分析。 核心能力: 1. 时间维度对比(本期vs上期、活动前后、月度环比)…»

SKU对比分析工具。支持SKU的时间维度、横向、导购等多维度对比分析。 核心能力: 1. 时间维度对比(本期vs上期、活动前后、月度环比) 2. 横向对比(多个SKU排名、标杆学习) 3. 导购维度对比(不同导购对同一SKU的销售差异) 4. 销售表现对比(销售额、销量、转化率) 5. AIoT数据对比(试用次数、成交转化) 触发条件: - 用户对比SKU(如"心遥2和舒珀哪个卖得好") - 用户分析SKU变化(如"这个款比上月怎么样") - 用户需要SKU排名(如"Top10 SKU是哪些")

ClawHub Agent Skills автор: Xtechmerge.AI v1.0.0 MIT-0 3 файла тело ≈ 704 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Инструмент сравнительного анализа SKU.

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

АнализаторТорговлятип 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: 33
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 704 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 252 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 33 пунктов
  • +4Есть примеры (4 блоков кода)

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

Внешние проверки

ClawHub: clean
This is a read-only retail SKU analytics skill, but it depends on local API/client code and can expose sensitive store and clerk performance data during analysis.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.