SKILLEMALL.ai
GitHub ↗ EN Войти

BC جاك العلم

Персональный покупатель — многоагентное исследование и рекомендация продуктов/услуг для Саудовской Аравии. ИСПОЛЬЗОВАТЬ КОГДА: - Пользователь просит найти, сравнить, порекомендовать или купить продукт или услугу - «Какой лучший X», «сравнить X против Y», «найди мне хороший X» - «أبغى أشتري», «وش أفضل», «قارن لي», «ابحث لي عن» - Пользователь спрашивает «это хорошая сделка» или «стоит ли мне покупать X или Y» - Сравнение продуктов по характеристикам, цене или ценности. НЕ ИСПОЛЬЗОВАТЬ КОГДА: - Анализ рынка для входа в бизнес → использовать mckinsey-research - Сравнение компаний как бизнесов (не продуктов) → использовать mckinsey-research - Отслеживание цен во времени или оповещения о сделках → не поддерживается - Обзор/устранение неполадок продукта, который у них уже есть → отвечать напрямую - Простой фактический вопрос о продукте («сколько оперативной памяти у iPhone») → отвечать напрямую - Размещение заказа, возврат или возмещение → не поддерживается. КРАЙНИЕ СЛУЧАИ: - «أبغى أشتري لابتوب» → этот инструмент - «أبغى أفتح متجر لابتوبات» → mckinsey-research (бизнес, а не покупка) - «وش أفضل شاشة» → этот инструмент - «وش حجم سوق الشاشات» → mckinsey-research - «هل السعر هذا حلو على أمازون» → этот инструмент - «حلل لي سوق التجارة الإلكترونية» → mckinsey-research - «قارن لي بين منتجين» → этот инструмент - «قارن لي بين شركتين» → mckinsey-research. ВХОДНЫЕ ДАННЫЕ: Тип или название продукта, бюджет (необязательно), сценарий использования (необязательно), предпочтения (необязательно). ИНСТРУМЕНТЫ: sessions_spawn (под-агенты), web_fetch, web_search, camofox_* (с строгими ограничениями на агента). ВЫВОД: Отчет в формате HTML, сохраненный в shopping-reports/{date}-{slug}.html (арабский, RTL, мобильный). УСПЕХ: Пользователь получает 3 ранжированных варианта с проверенными ценами, URL-адресами источников, купонами и четкой рекомендацией.

машинный переводПоказать оригиналСкрыть оригинал«Personal Shopper — multi-agent product/service research and recommenda…»

Personal Shopper — multi-agent product/service research and recommendation for Saudi Arabia. USE WHEN: - User asks to find, compare, recommend, or buy a product or service - "what's the best X", "compare X vs Y", "find me a good X" - "أبغى أشتري", "وش أفضل", "قارن لي", "ابحث لي عن" - User asks "is this a good deal" or "should I buy X or Y" - Product comparison by specs, price, or value DON'T USE WHEN: - Market analysis for business entry → use mckinsey-research - Comparing companies as businesses (not products) → use mckinsey-research - Price tracking over time or deal alerts → not supported - Reviewing/troubleshooting a product they already own → answer directly - Simple factual question about a product ("how much RAM does iPhone have") → answer directly - Order placement, returns, or refunds → not supported EDGE CASES: - "أبغى أشتري لابتوب" → this skill - "أبغى أفتح متجر لابتوبات" → mckinsey-research (business, not purchase) - "وش أفضل شاشة" → this skill - "وش حجم سوق الشاشات" → mckinsey-research - "هل السعر هذا حلو على أمازون" → this skill - "حلل لي سوق التجارة الإلكترونية" → mckinsey-research - "قارن لي بين منتجين" → this skill - "قارن لي بين شركتين" → mckinsey-research INPUTS: Product type or name, budget (optional), use case (optional), preferences (optional) TOOLS: sessions_spawn (sub-agents), web_fetch, web_search, camofox_* (with strict limits per agent) OUTPUT: HTML report saved to shopping-reports/{date}-{slug}.html (Arabic, RTL, mobile-friendly) SUCCESS: User gets 3 ranked options with verified prices, source URLs, coupons, and a clear recommendation

ClawHub Agent Skills автор: Abdullah AlRashoudi v2.0.3 8 файлов тело ≈ 7 099 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Персональный покупатель — многоагентное исследование и рекомендация продуктов/услуг для Саудовской Аравии.

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

АнализаторИИ и агентыДанные и аналитикатип 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
79/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
48
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
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Сократите description до 1024 символов.
  2. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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

  • ошибка description-long description 1593 символов, лимит 1024
  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение body-long тело SKILL.md ≈ 7099 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка description-budget description занимает 1593 из общего бюджета ~15000 символов на все скиллы
  • заметка frontmatter-key неизвестное поле фронтматтера "trigger"
  • заметка frontmatter-key неизвестное поле фронтматтера "locale"
  • заметка frontmatter-key неизвестное поле фронтматтера "region"
  • заметка frontmatter-key неизвестное поле фронтматтера "currency"
  • заметка frontmatter-key неизвестное поле фронтматтера "output"
  • заметка frontmatter-key неизвестное поле фронтматтера "output_dir"
  • заметка frontmatter-key неизвестное поле фронтматтера "always"
  • заметка frontmatter-key неизвестное поле фронтматтера "security"

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
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 40Согласованность. Имя во frontmatter (جاك العلم) не совпадает с папкой (personal-shopper)
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (bash, read, web), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 7099 токенов
  • 100Шаги. Шагов: 105
  • 100Ошибки и развилки. Развилок: 6, есть раздел про ошибки
  • 100Повторный запуск. Изменяющие операции проверяют текущее состояние
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 15. 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

  • +3Длина description 1592: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 18 примера фраз-триггеров в кавычках
  • +4Описание говорит, когда скилл НЕ применять
  • +4Структура: 48 заголовков
  • +3Пошаговые инструкции: 105 пунктов
  • +4Есть примеры (23 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 6)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 48.

Внешние проверки

ClawHub: clean
This is a shopping research skill with scoped web research and report generation, with one minor disclosure issue about external font loading.
LLM: benign (high) · VirusTotal: benign · 28 мая 2026 г.