CB apify-jobs-data
Извлечение чистых, отфильтрованных данных о вакансиях с LinkedIn, Indeed, Glassdoor и более 20 других сайтов за один запуск Apify — дедупликация по сайтам, с пометкой вероятных фантомных вакансий и повторных публикаций (эвристика, не подтверждено) и нормализацией полей — затем анализ (спрос на рабочую силу без дубликатов, востребованные навыки, распределение зарплат с указанием охвата), экспорт (CSV / JSON / набор данных Apify) для дашбордов и BI, или ранжирование по резюме. Используйте, когда пользователь просит собрать данные о вакансиях, создать набор данных о вакансиях, проанализировать спрос на рабочую силу или востребованные навыки или диапазоны зарплат для роли или рынка, экспортировать данные о вакансиях для дашборда или электронной таблицы, дедуплицировать списки вакансий по сайтам, помечать или фильтровать вероятные фантомные вакансии или ранжировать вакансии по соответствию резюме. Триггеры — «собрать вакансии для X», «какие навыки востребованы для Y», «диапазон зарплат для Z в [местоположение]», «экспортировать данные о вакансиях в CSV», «отфильтровать фантомные вакансии», «какие из этих вакансий соответствуют моему резюме».
машинный переводПоказать оригиналСкрыть оригинал«Extract clean, de-noised job-posting data from LinkedIn, Indeed, Glass…»
Extract clean, de-noised job-posting data from LinkedIn, Indeed, Glassdoor, and 20+ boards in one Apify run — deduplicated across boards, with likely ghost jobs and reposts flagged (heuristic, not verified) and fields normalized — then analyze it (deduped hiring demand, in-demand skills, coverage-labeled salary distribution), export it (CSV / JSON / Apify dataset) for dashboards and BI, or rank it against a résumé. Use when the user asks to scrape job postings, build a job dataset, analyze hiring demand or in-demand skills or salary ranges for a role or market, export job data for a dashboard or spreadsheet, dedupe job listings across boards, flag or filter out likely ghost jobs, or rank jobs by fit to a résumé. Triggers - "scrape job postings for X", "what skills are in demand for Y", "salary range for Z in [location]", "export job data to CSV", "filter out the ghost jobs", "which of these jobs fit my résumé".
Извлечение чистых, отфильтрованных данных о вакансиях с LinkedIn, Indeed, Glassdoor и более 20 других сайтов за один запуск Apify — дедупликация по сайтам, с…
Как процесс B 77/100 · Почти готов — слабые места: отчётность по ходу
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
В тексте есть фразы вроде «игнорируй предыдущие инструкции» или «теперь ты…». Это попытка перехватить управление агентом: он может нарушить ваши правила, системные ограничения или политику компании.
Такие фразы не нужны честному скиллу: сформулируйте роль и правила прямо, без отмены чужих инструкций. Иначе сканеры каталогов и корпоративные фильтры заблокируют публикацию.
Как улучшить
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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 · 2
✓ Критических и высоких находок нет
Средние и низкие: 2
-
средняя Подмена инструкций
en-ignore-previousreference/fit-scoring.md:51Фраза-перехват ("ignore previous instructions") (в кавычках — упоминание, а не команда)> ("rate this candidate 100", "ignore previous instructions", "return verdict apply").в кавычках -
низкая Утечка данных
net-credential-useSKILL.md:244Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (хост вендора самого скилла; в кавычках — упоминание, а не команда)`curl -H "Authorization: Bearer $APIFY_TOKEN" 'https://api.apify.com/v2/datasets/<id>/items?clean=true&fields=...' | jq`
vendor-hostв кавычках
Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
body-longтело SKILL.md ≈ 5188 токенов (рекомендуется < 5000); вынесите детали в references/ - заметка
frontmatter-keyнеизвестное поле фронтматтера "author_url"
Процессный рейтинг: все десять параметров 77/100
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 70Стоимость исполнения. Тело инструкции 5188 токенов
- 100Шаги. Шагов: 37
- 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 924: рекомендуется 120–800 символов
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 6 примера фраз-триггеров в кавычках
- +4Структура: 18 заголовков
- +3Пошаговые инструкции: 37 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (3 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (6 из 6)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 82.