SKILLEMALL.ai

BC product-price-compare

Интеллектуальный агент для сравнения цен на товары на разных платформах. Поддерживает автоматический сбор цен с основных платформ электронной коммерции, таких как Taobao, JD.com, Pinduoduo, анализ правил скидок и расчет эквивалентной фактической цены. Сценарии использования: когда пользователю нужно сравнить цены на один и тот же товар на разных платформах, например, «сравнить цены на iPhone 16 Pro на JD.com, Tmall, Pinduoduo». Автоматически выводит структурированный отчет о сравнении цен, включающий название платформы, текущую цену, самую низкую историческую цену, информацию о скидках и рекомендации по покупке.

машинный переводПоказать оригиналСкрыть оригинал«跨平台商品比价智能体技能。支持淘宝、京东、拼多多等主流电商平台的价格自动抓取、优惠规则解析与等效到手价计算。使用场景:用户需要比较同款商品在…»

跨平台商品比价智能体技能。支持淘宝、京东、拼多多等主流电商平台的价格自动抓取、优惠规则解析与等效到手价计算。使用场景:用户需要比较同款商品在不同平台的价格时,如'比较 iPhone 16 Pro 在京东、天猫、拼多多的价格'。自动输出结构化比价报告,包含平台名称、当前价格、历史最低价、优惠信息及推荐购买建议。

ClawHub Agent Skills автор: zhang3feng v1.0.0 MIT-0 9 файлов тело ≈ 707 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Интеллектуальный агент для сравнения цен на товары на разных платформах.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
C
53/100
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: 9. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 49
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 707 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. 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
  • -32 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 155 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 22 заголовков
  • +3Пошаговые инструкции: 49 пунктов
  • +4Есть примеры (3 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 4)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: clean
This is a disclosed e-commerce price-comparison scraping skill with real privacy and terms-of-service caveats, but no evidence of hidden credential use, exfiltration, purchases, or destructive behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.