SKILLEMALL.ai
EN Войти

BC linkfox-fastmoss-product-search

Поиск и фильтрация глобальных товаров TikTok e-commerce на основе FastMoss. Поддерживает поиск по ключевым словам, многомерную фильтрацию (категория, тип магазина, ставка комиссии, объем продаж, количество инфлюенсеров и т. д.) и сортировку. Активируется, когда пользователь упоминает подбор товаров для TikTok, поиск товаров для TikTok, данные о товарах TikTok, продвижение товаров инфлюенсерами на TikTok, ставку комиссии TikTok, отслеживание популярных товаров TikTok, анализ GMV TikTok, поиск товаров TikTok, исследование товаров TikTok, продажи инфлюенсеров TikTok, ставку комиссии TikTok, анализ GMV TikTok, FastMoss. Даже если пользователь явно не упоминает "FastMoss", при наличии у него запроса на поиск данных о товарах или анализ их эффективности на платформе TikTok следует активировать этот навык.

машинный переводПоказать оригиналСкрыть оригинал«基于FastMoss数据搜索和筛选TikTok全球电商商品，支持关键词搜索、多维度筛选（类目、店铺类型、佣金率、销量、达人数等）和排序。当用…»

基于FastMoss数据搜索和筛选TikTok全球电商商品，支持关键词搜索、多维度筛选（类目、店铺类型、佣金率、销量、达人数等）和排序。当用户提到TikTok选品、TikTok商品搜索、TikTok产品数据、TikTok达人带货、TikTok佣金率、TikTok爆款追踪、TikTok GMV分析、TikTok product search, TikTok product research, TikTok creator sales, TikTok commission rate, TikTok GMV analysis, FastMoss时触发此技能。即使用户未明确提及"FastMoss"，只要其需求涉及在TikTok平台搜索商品数据或分析商品表现，也应触发此技能。

ClawHub Agent Skills автор: linkfox-ai v1.0.6 MIT-0 6 файлов тело ≈ 2 373 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Поиск и фильтрация глобальных товаров TikTok e-commerce на основе FastMoss.

Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторМаркетингтип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
C
52/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Опасные команды cmd-shell-rc references/onboarding.md:13
    Запись в файл автозагрузки shell (.bashrc / .zshrc / .profile) (в кавычках — упоминание, а не команда)
    - macOS zsh：`echo 'export LINKFOX_AGENT_API_KEY="<key>"' >> ~/.zshrc && source ~/.zshrc`
    в кавычках
  • низкая Опасные команды cmd-shell-rc references/onboarding.md:14
    Запись в файл автозагрузки shell (.bashrc / .zshrc / .profile) (определение детектора / чёрного списка)
    - Linux bash：`echo 'export LINKFOX_AGENT_API_KEY="<key>"' >> ~/.bashrc && source ~/.bashrc`
    детектор
  • низкая Секреты в коде secret-high-entropy-token scripts/onboarding.py:49
    Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
    or "eyJh…iJ9")
    в кавычках

Просканировано файлов: 6. 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 52/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 60Ошибки и развилки. Развилок: 2
  • 100Шаги. Шагов: 30
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2373 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (7 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -31 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 337 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 18 заголовков
  • +3Пошаговые инструкции: 30 пунктов
  • +4Есть примеры (5 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

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

Внешние проверки

ClawHub: suspicious
The skill mostly matches a paid TikTok product-search tool, but it also includes under-scoped account, credential, payment, feedback, and persistence behaviors that users should review before installing.
LLM: suspicious (high) · 14 авг. 2026 г.