SKILLEMALL.ai

AC juhe-person-invest

Запрос информации о внешних инвестициях и должностях физических лиц. По имени и номеру удостоверения личности (опционально номеру телефона) запрашивает информацию о внешних инвестициях и должностях физического лица в компаниях, возвращает название компании, отношение к юридическому лицу/руководителю/акционеру, должность, долю владения, заявленный уставный капитал, статус деятельности и т. д. Сценарии использования: пользователь говорит «внешние инвестиции», «проверить должность», «в каких компаниях работает этот человек», «проверить акционера», «должность директора», «личные инвестиции в компанию», «совмещение должностей руководителем», «комплексная проверка» и т. д. Запрос в реальном времени через API Juhe.cn.

машинный переводПоказать оригиналСкрыть оригинал«自然人对外投资任职查询。根据姓名和身份证号(可选手机号)查询个人对外投资与任职企业,返回企业名称、法人/高管/股东关系、职务、持股比例、认缴…»

自然人对外投资任职查询。根据姓名和身份证号(可选手机号)查询个人对外投资与任职企业,返回企业名称、法人/高管/股东关系、职务、持股比例、认缴出资、经营状态等。使用场景:用户说"对外投资"、"查任职"、"这个人在哪些公司任职"、"查股东"、"法人任职"、"个人投资企业"、"高管兼职"、"尽职调查"等。通过聚合数据(juhe.cn)API 实时查询。

ClawHub Agent Skills автор: juhe-skills v1.0.0 MIT-0 3 файла тело ≈ 881 токенов Открыть источникclawhub.ai проанализирован 36 ч назад

Запрос информации о внешних инвестициях и должностях физических лиц.

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

ИнтеграцияРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
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")
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

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: 14
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 881 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 2 примера фраз-триггеров в кавычках
  • +3Длина description 174 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 14 пунктов
  • +4Есть примеры (5 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: suspicious
The skill appears to do the advertised lookup, but it handles national ID/mobile data in ways that can expose raw identifiers in logs and lacks clear consent/privacy guardrails.
LLM: suspicious (high) · 8 сент. 2026 г.