SKILLEMALL.ai

BC cs-conversation-qc

Навык контроля качества диалогов службы поддержки. Пакетный анализ записей чатов службы поддержки / файлов экспорта диалогов (поддерживает пошаговый и полный экспорт из систем WeChat Work, QianNiu, MeiQia, Udesk, ZhiChi и др.), пошаговая оценка в соответствии с настраиваемыми правилами контроля качества, автоматическая деперсонализация, генерация отчета о контроле качества с деталями вычетов и списком для ручной проверки. Применимые сценарии: контроль качества обслуживания клиентов, контроль качества диалогов, проверка истории чатов, оценка работы операторов, проверка качества обслуживания, оценка качества обслуживания, выборочная проверка записей операторов, а также задачи, где пользователь предоставляет диалоги/истории чатов и хочет оценить качество обслуживания оператора (такие задачи относятся к сфере применения данного навыка, даже если слово «контроль качества» не упоминается). Этот пакет правил разработан для китайских диалогов.

машинный переводПоказать оригиналСкрыть оригинал«客服会话质检技能。批量分析客服聊天记录/会话导出文件(支持企业微信、千牛、美洽、Udesk、智齿等系统的逐条式与整段式导出),按可配置的质检…»

客服会话质检技能。批量分析客服聊天记录/会话导出文件(支持企业微信、千牛、美洽、Udesk、智齿等系统的逐条式与整段式导出),按可配置的质检规则逐条评分,自动脱敏,生成带扣分明细和待人工复核清单的质检报告表格。适用场景:客服质检、会话质检、聊天记录检查、客服考核、服务质量检查、服务质量评估、抽检客服记录,以及用户提供客服会话/聊天记录并希望评估坐席服务质量的任务(此类任务即使未出现"质检"字样也属于本技能的适用范围)。本规则包面向中文会话设计。

ClawHub Agent Skills автор: zenobiazizi v1.0.3 MIT-0 7 файлов тело ≈ 886 токенов Открыть источникclawhub.ai проанализирован 25 ч назад

Навык контроля качества диалогов службы поддержки.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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: 7. 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 51/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 33
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 886 токенов

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
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 224 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 33 пунктов
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
This skill is a coherent customer-service conversation quality-check helper that handles sensitive chat exports locally with disclosed masking and review safeguards.
LLM: benign (high) · VirusTotal: · 21 июл. 2026 г.