SKILLEMALL.ai
GitHub ↗ EN Войти

AB referrals

Используйте при разработке или исправлении программы привлечения клиентов для интернет-магазина — предложение заголовка, кто что получает, размер вознаграждения, наличные или подарок, а также предварительно заполненное сообщение для отправки — например, «разработай нашу программу „приведи друга“», «должно ли вознаграждение быть наличными», «сколько мы должны давать за привлечение», «напиши сообщение для отправки реферала», «рефералы не конвертируются».

машинный переводПоказать оригиналСкрыть оригинал«Use when designing or fixing a customer referral program for an online…»

Use when designing or fixing a customer referral program for an online store — the headline offer, who gets what reward, how big the reward is, cash vs gift, and the pre-filled share message — e.g. "design our refer-a-friend program", "should the reward be cash", "how much should we give per referral", "write the referral share message", "referrals aren't converting".

checkout-page/ecommerce-skills Agent Skills автор: checkout-page 2 файла тело ≈ 948 токенов Открыть источникgithub.com↗ проанализирован 3 дн назад

Используйте при разработке или исправлении программы привлечения клиентов для интернет-магазина — предложение заголовка, кто что получает, размер…

Как процесс B 72/100 · Почти готов — слабые места: когда включается, повторный запуск, отчётность по ходу

ПроцедураПоддержка клиентовИсследованиятип и темы размечены автоматически по тексту скилла
Запускается в: 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) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
B
72/100
Почти готов
Отчётность по ходу вес 2
0
Когда включается вес 12
20
Повторный запуск вес 4
30
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 72/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 17
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 948 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 5 примера фраз-триггеров в кавычках
    • +3Длина description 370 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 17 пунктов
    • +3Формат ответа описан явно

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.