SKILLEMALL.ai
EN Войти

BD greenhelix-agent-revenue-analytics

Аналитика доходов агентов: атрибуция, LTV, когорты и оптимизация ценообразования для сервисов AI-агентов. Полное руководство по измерению доходов для сервисов AI-агентов: атрибуция доходов по каналам, пожизненная ценность клиента для коммерции между агентами, когортный анализ и кривые удержания, прогнозирование оттока на основе сигналов биллинга, оценка эластичности цен, конкурентная разведка из данных маркетплейса и дашборды доходов на основе вебхуков. Включает подробные примеры кода на Python с полной интеграцией API.

машинный переводПоказать оригиналСкрыть оригинал«Agent Revenue Analytics: Attribution, LTV, Cohorts, and Pricing Optimi…»

Agent Revenue Analytics: Attribution, LTV, Cohorts, and Pricing Optimization for AI Agent Services. Complete guide to revenue measurement for AI agent services: revenue attribution by channel, customer lifetime value for agent-to-agent commerce, cohort analysis and retention curves, churn prediction from billing signals, price elasticity estimation, competitive intelligence from marketplace data, and webhook-driven revenue dashboards. Includes detailed Python code examples with full API integration.

ClawHub Agent Skills автор: mirni v1.3.1 MIT-0 2 файла тело ≈ 26 009 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Аналитика доходов агентов: атрибуция, LTV, когорты и оптимизация ценообразования для сервисов AI-агентов.

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияИИ и агентыДанные и аналитикатип 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
84/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
60
Прогон на моделях
не было
Процессный рейтинг
D
48/100
Процесс не доведён
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.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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")
  • предупреждение body-long тело SKILL.md ≈ 26009 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "type"
  • заметка frontmatter-key неизвестное поле фронтматтера "price_usd"
  • заметка frontmatter-key неизвестное поле фронтматтера "content_type"
  • заметка frontmatter-key неизвестное поле фронтматтера "executable"
  • заметка frontmatter-key неизвестное поле фронтматтера "install"
  • заметка frontmatter-key неизвестное поле фронтматтера "credentials"

Процессный рейтинг: все десять параметров 48/100

  • 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
  • 10Стоимость исполнения. Тело инструкции 26009 токенов: вытесняет саму задачу из окна
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 70Ошибки и развилки. Развилок: 17
  • 100Шаги. Шагов: 40
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле

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
  • +2Инструкции на одном языке
  • +3Длина description 504 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 43 заголовков
  • +3Пошаговые инструкции: 40 пунктов
  • +4Есть примеры (13 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 60.

Внешние проверки

ClawHub: clean
This is a documentation-only revenue analytics guide with live GreenHelix API examples that are mostly disclosed and aligned with the stated purpose.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.