SKILLEMALL.ai

AC ai-hedge-fund

Запустите симуляцию хедж-фонда на базе ИИ с 16+ легендарными инвестиционными агентами. Каждый агент анализирует акции в соответствии со своей уникальной инвестиционной философией. Автоматически определяет модель из текущей сессии OpenClaw, без жесткого кодирования. Использует yfinance для бесплатного доступа к финансовым данным. Основано на github.com/virattt/ai-hedge-fund.

машинный переводПоказать оригиналСкрыть оригинал«Run an AI-powered hedge fund simulation with 16+ legendary investor ag…»

Run an AI-powered hedge fund simulation with 16+ legendary investor agents. Each agent analyzes stocks from their unique investment philosophy. Auto-detects model from current OpenClaw session, no hardcoding. Uses yfinance for free financial data. Based on github.com/virattt/ai-hedge-fund.

ClawHub Agent Skills автор: tanjinlimkelvin-dot v1.2.0 MIT-0 2 файла тело ≈ 536 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Запустите симуляцию хедж-фонда на базе ИИ с 16+ легендарными инвестиционными агентами.

Как процесс C 62/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

АнализаторGitHubИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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 · 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")

Процессный рейтинг: все десять параметров 62/100

  • 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
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 7
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 536 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 290 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 8 заголовков
  • +3Пошаговые инструкции: 7 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (3 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.

Внешние проверки

ClawHub: clean
This skill is generally coherent for running a stock-analysis simulation, but users should notice that it depends on installing and running an unpinned external GitHub project and reads the local OpenClaw model configuration.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.