SKILLEMALL.ai

BC pdf-label-made-in-china

Пакетное добавление текста "Made In China" в PDF-файлы с этикетками продуктов Amazon FBA. Применимо: когда пользователь загружает PDF-файл с этикетками, и требуется добавить "Made In China" под указанным текстом (например, названием продукта) в следующей колонке, выровняв его по центру с номером штрихкода, применив ко всем страницам. Поддерживает как однотипные, так и смешанные типы этикеток (в одном PDF содержатся этикетки с различными штрихкодами).

машинный переводПоказать оригиналСкрыть оригинал«在亚马逊FBA产品标签PDF中批量添加"Made In China"文字。适用于:用户上传标签PDF文件,需要在指定文字(如产品名称)下方的…»

在亚马逊FBA产品标签PDF中批量添加"Made In China"文字。适用于:用户上传标签PDF文件,需要在指定文字(如产品名称)下方的下一栏添加"Made In China",并与条形码编号居中对齐,应用到所有页面。支持单类型标签和多类型混合标签(同一PDF中含有多种不同条形码的标签)。

ClawHub Agent Skills автор: hipeterjiang v0.1.0 MIT-0 2 файла тело ≈ 395 токенов Открыть источникclawhub.ai проанализирован 24 ч назад

Пакетное добавление текста "Made In China" в PDF-файлы с этикетками продуктов Amazon FBA.

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

ПроцедураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
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: 2. 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: 9
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 395 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
  • -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 2 примера фраз-триггеров в кавычках
  • +3Длина description 147 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 9 пунктов
  • +4Есть примеры (2 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: suspicious
This skill has a clear PDF-labeling purpose, but it tells the agent to run an unpinned package install with sudo and depends on a script outside the reviewed artifact.
LLM: suspicious (high) · 18 июл. 2026 г.