AB distributor-product-selection
Кроссплатформенный анализ выбора и поиска продуктов для дистрибьюторов и дропшипперов. Использует плагины opencli (aliexpress, alibaba-api buyer API, amazon) для перекрестного анализа каналов поставок (дистрибуция Alibaba + дропшиппинг AliExpress) с розничными каналами (Amazon) и генерации структурированных отчетов по исследованию продуктов с расчетом прибыли. Используйте этот навык всякий раз, когда пользователь упоминает выбор продукта, исследование продукта, поиск продуктов для продажи, анализ источников, трансграничный поиск продуктов для электронной коммерции, исследование продуктов для дропшиппинга, «что мне продавать», «найти выигрышные продукты», сравнение цен Alibaba и AliExpress, анализ конкуренции на Amazon для принятия решений об источниках или любую задачу, связанную с оценкой продуктов на платформах поставок и розничной торговли.
машинный переводПоказать оригиналСкрыть оригинал«Cross-platform product selection and sourcing analysis for distributor…»
Cross-platform product selection and sourcing analysis for distributors and dropshippers. Uses opencli plugins (aliexpress, alibaba-api buyer API, amazon) to cross-analyze supply channels (Alibaba distribution + AliExpress dropshipping) against retail channels (Amazon) and generate structured product research reports with margin calculations. Use this skill whenever the user mentions product selection, product research, finding products to sell, sourcing analysis, cross-border e-commerce sourcing, dropshipping product research, "what should I sell", "find winning products", comparing Alibaba vs AliExpress pricing, analyzing Amazon competition for sourcing decisions, or any task involving evaluating products across supply and retail platforms.
Кроссплатформенный анализ выбора и поиска продуктов для дистрибьюторов и дропшипперов.
Как процесс B 78/100 · Почти готов — слабые места: результат и критерий готовности, повторный запуск, отчётность по ходу
Как улучшить
- 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
- заметка
frontmatter-keyнеизвестное поле фронтматтера "requires" - заметка
frontmatter-keyнеизвестное поле фронтматтера "primaryEnv" - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 78/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 11
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Ошибки и развилки. Развилок: 4, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3787 токенов
- low Ответ описан самодельной разметкой (5 тегов): типизированный вызов надёжнее
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
- -2Ссылки на localhost: у другого пользователя не заработает
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 752 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 27 заголовков
- +3Пошаговые инструкции: 11 пунктов
- +4Есть примеры (17 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.