SKILLEMALL.ai

AC chain-restaurant-analytics

Навык анализа данных операционной деятельности сетевых ресторанов. На основе 100+ показателей операционной деятельности ресторанов и профессиональных методов анализа из базы знаний ima предоставляет владельцам сетевых ресторанов и операционным менеджерам услуги сквозного анализа данных, основанного на гипотезах: от понимания проблемы, бизнес-гипотез, выбора методов анализа, проверки данных, подтверждения показателей до вывода бизнес-диагноза. Применяется для диагностики операционной деятельности сетевых ресторанов, анализа точек, оптимизации затрат, оценки эффективности маркетинга и других сценариев.

машинный переводПоказать оригиналСкрыть оригинал«连锁餐饮经营数据分析技能。基于 ima 知识库中 100+ 餐饮经营指标与专业分析方法,为餐饮老板和运营管理者提供假设驱动的全链路数据分析服…»

连锁餐饮经营数据分析技能。基于 ima 知识库中 100+ 餐饮经营指标与专业分析方法,为餐饮老板和运营管理者提供假设驱动的全链路数据分析服务:从问题理解、业务假设、分析方法选择、数据验证、指标印证到业务诊断输出。适用于连锁餐饮经营诊断、门店分析、成本优化、营销效率评估等场景。

ClawHub Agent Skills автор: NNNZZZ v1.0.3 MIT-0 8 файлов тело ≈ 2 790 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Навык анализа данных операционной деятельности сетевых ресторанов.

Как процесс C 58/100 · 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
58/100
Есть пробелы
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.
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: 8. 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 58/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 84
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2790 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 139 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 28 заголовков
  • +3Пошаговые инструкции: 84 пунктов
  • +4Есть примеры (12 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (5 из 5)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: suspicious
This restaurant analytics skill has useful analysis instructions, but it also tells the agent to silently save user-derived business context into the author's private knowledge base.
LLM: suspicious (high) · 25 авг. 2026 г.