BD bettafish-opinion-analysis
Система анализа общественного мнения BettaFish (微舆) с несколькими агентами - основана на параллельной архитектуре трех движков QueryAgent, MediaAgent, InsightAgent, реализует совместное обсуждение между агентами через ForumEngine, генерируя отчеты в двух форматах Word/PDF + HTML с высоким качеством дизайна. Активируется, когда пользователю нужен следующий анализ: - Анализ репутации и отзывов о бренде/компании/продукте в социальных сетях - Отслеживание горячих событий общественного мнения (например, критика автопроизводителя, спорный инцидент со знаменитостью) - Извлечение данных о контенте и влиянии конкретных аккаунтов в социальных сетях - Мониторинг общественного мнения конкурентов, сравнение нескольких брендов - Анализ эмоциональной окраски и отношения общественности к определенной теме - Создание отчета о мониторинге общественного мнения или анализа предупреждения о кризисе - Требуется официальный отчет в формате Word/PDF - Требуется интерактивный HTML-отчет с высоким качеством дизайна - Требуется глубокий анализ общественного мнения на основе реальных данных Этот навык использует параллельную архитектуру QueryAgent + MediaAgent + InsightAgent, реализует обсуждение между агентами через ForumEngine, выполняет 3 цикла рефлексии для оптимизации результатов анализа и в конечном итоге выводит: 1. **Документ Word/PDF** - генерируется с помощью поднавыка docx/pdf, подходит для официальных отчетов, печати, архивирования. 2. **HTML-отчет с высоким качеством дизайна** - используется поднавык frontend-design, уникальный стиль журнальной верстки, интерактивная визуализация. **Не использует базы данных и симулированные данные**, все данные получаются в реальном времени через WebSearch/WebFetch/Browser/Curl. Обязательно используйте этот навык, даже если сталкиваетесь со сложными многоэтапными аналитическими задачами, требующими интеграции нескольких источников данных или создания профессиональных отчетов об общественном мнении в определенном формате.
машинный переводПоказать оригиналСкрыть оригинал«BettaFish（微舆）多智能体舆情分析系统 - 基于 QueryAgent、MediaAgent、InsightAgent 三引擎并行架…»
BettaFish（微舆）多智能体舆情分析系统 - 基于 QueryAgent、MediaAgent、InsightAgent 三引擎并行架构，通过 ForumEngine 实现 Agent 间协作讨论，生成 Word/PDF + 高设计质量 HTML 双格式报告。 当用户需要以下分析时触发此 skill： - 分析某品牌/企业/产品的社交媒体声誉和口碑 - 追踪热点舆情事件（如某车企被抨击、某明星争议事件） - 挖掘特定社媒账号的内容和影响力数据 - 监测竞品舆情动态，进行多品牌对比 - 分析公众对某话题的情绪倾向和态度 - 生成舆情监测报告或危机预警分析 - 需要Word文档/PDF格式的正式报告 - 需要高设计质量的交互式HTML可视化报告 - 需要基于真实数据的深度舆情分析 此 skill 采用 QueryAgent + MediaAgent + InsightAgent 并行架构，通过 ForumEngine 实现 Agent 间讨论协作，执行 3 轮反思循环优化分析结果，最终输出: 1. **Word/PDF 文档** - 使用 docx/pdf subskill 生成，适合正式汇报、打印、存档 2. **高设计质量 HTML 报告** - 使用 frontend-design subskill，独特的编辑杂志风格，交互式可视化 **不使用任何数据库和模拟数据**，所有数据通过 WebSearch/WebFetch/Browser/Curl 实时获取。 即使遇到复杂的多步骤分析需求、需要整合多个数据源、或生成专业格式的舆情报告，也请务必使用此 skill。
Система анализа общественного мнения BettaFish (微舆) с несколькими агентами - основана на параллельной архитектуре трех движков QueryAgent, MediaAgent…
Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 46/100
- 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
- 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 99
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2855 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле
- medium Тестов 8, и все положительные: нет ни одного случая «должен отказать» или «должен переспросить»
- low Среди тестов нет случая на инъекцию через данные
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
- -43 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- -33 из 5 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 699 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 50 заголовков
- +3Пошаговые инструкции: 99 пунктов
- +4Есть примеры (22 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.