SKILLEMALL.ai

AC us-stock-financial-analyzer

Автоматизированный анализ финансовых показателей для акций S&P 500 и NASDAQ. Оценивает и ранжирует акции по взвешенным показателям финансового здоровья (PE, PB, ROE, отношение долга к собственному капиталу, рост выручки, чистая прибыль, текущий коэффициент, дивидендная доходность). Обнаруживает тревожные сигналы и генерирует отраслевые рейтинги. Используйте, когда: (1) анализируете финансовое здоровье акций из данных CSV/JSON, (2) сравниваете акции из S&P 500 или NASDAQ, (3) генерируете отчеты о финансовом скрининге, (4) определяете акции с высоким риском по количеству тревожных сигналов, (5) ранжируете отрасли по среднему показателю финансового здоровья, (6) настраиваете разрешения документов Feishu/Lark для финансовых отчетов.

машинный переводПоказать оригиналСкрыть оригинал«Automated financial indicator analysis for S&P 500 and NASDAQ stocks.…»

Automated financial indicator analysis for S&P 500 and NASDAQ stocks. Score and rank stocks by weighted financial health metrics (PE, PB, ROE, debt/equity, revenue growth, net margin, current ratio, dividend yield). Detect red flags and generate sector-level rankings. Use when: (1) analyzing stock financial health from CSV/JSON data, (2) comparing stocks across S&P 500 or NASDAQ, (3) generating financial screening reports, (4) identifying high-risk stocks by red-flag count, (5) ranking sectors by average financial score, (6) configuring Feishu/Lark document permissions for financial reports.

ClawHub Agent Skills автор: terrycarter1985 v1.2.0 MIT-0 4 файла тело ≈ 597 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Автоматизированный анализ финансовых показателей для акций S&P 500 и NASDAQ.

Как процесс C 61/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

АнализаторДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 61/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 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
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 15
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 597 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)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 598 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 7 заголовков
    • +3Пошаговые инструкции: 15 пунктов
    • +4Есть примеры (4 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.

    Внешние проверки

    ClawHub: clean
    This skill locally analyzes user-provided stock data and does not show hidden access, persistence, credential use, or data exfiltration.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.