SKILLEMALL.ai
GitHub ↗ EN Войти

BD product-research

Глубокое исследование продуктов на основе Sorftime MCP. Многомерный анализ с помощью LLM Agent: сбор данных → маркировка атрибутов → перекрестный анализ → VOC конкурентов → оценка барьеров → оценка решения по выбору продукта. Интерактивное выполнение, вывод отчета Markdown и панели мониторинга.

машинный переводПоказать оригиналСкрыть оригинал«基于Sorftime MCP的深度选品调研。通过LLM Agent执行多维度分析：数据采集→属性标注→交叉分析→竞品VOC→壁垒评估→选品决…»

基于Sorftime MCP的深度选品调研。通过LLM Agent执行多维度分析：数据采集→属性标注→交叉分析→竞品VOC→壁垒评估→选品决策评估。交互式执行，输出Markdown报告和Dashboard看板。

LeoYeAI/openclaw-master-skills Claude Code автор: LeoYeAI MIT 16 файлов тело ≈ 3 633 токенов Открыть источникgithub.com↗ проанализирован 28 ч назад

Глубокое исследование продуктов на основе Sorftime MCP.

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
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: 16. 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 41/100

  • 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
  • 40Согласованность. Имя во frontmatter (product-research) не совпадает с папкой (amazon-sorftime-research-market-skill)
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 97
  • 100Стоимость исполнения. Тело инструкции 3633 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 12. 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)
  • +3Длина description 105: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -237 эмодзи в инструкциях: шум для модели
  • -31 из 8 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 33 заголовков
  • +3Пошаговые инструкции: 97 пунктов
  • +4Есть примеры (17 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 5)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.