AC ad-intelligence
Навык конкурентной аналитики рекламы для получения, анализа и отчетности по рекламе конкурентов в Meta (Facebook/Instagram), Центре прозрачности рекламы Google и Библиотеке рекламы LinkedIn. Используйте этот навык всякий раз, когда пользователь спрашивает о рекламе конкурентов, какой рекламой управляет бренд, анализе рекламных креативов, исследовании рекламных текстов, мониторинге кампаний, поиске в библиотеке рекламы или маркетинговой аналитике на любой из этих платформ. Также срабатывает для фраз вроде «какую рекламу запускает [компания]», «шпионить за рекламой конкурентов», «найти рекламу от [бренда]», «проверить библиотеку рекламы», «получить данные о рекламе», «проанализировать кампании конкурентов» или любого запроса, связанного с веб-скрейпингом или получением общедоступных данных о рекламе из Meta, Google или LinkedIn. Это двухэтапный навык — Этап 1 использует веб-скрейпинг (ключи API не требуются), Этап 2 открывает доступ к более глубоким данным через официальные и сторонние API.
машинный переводПоказать оригиналСкрыть оригинал«Competitive ad intelligence skill for fetching, analyzing, and reporti…»
Competitive ad intelligence skill for fetching, analyzing, and reporting on competitor ads across Meta (Facebook/Instagram), Google Ads Transparency Center, and LinkedIn Ad Library. Use this skill whenever a user asks about competitor ads, what ads a brand is running, ad creative analysis, ad copy research, campaign monitoring, ad library lookups, or marketing intelligence on any of these platforms. Also trigger for phrases like "what ads is [company] running", "spy on competitor ads", "find ads from [brand]", "check ad library", "pull ad data", "analyze competitor campaigns", or any request involving scraping or fetching public ad data from Meta, Google, or LinkedIn. This is a two-phase skill — Phase 1 uses web scraping (no API keys needed), Phase 2 unlocks deeper data via official and third-party APIs.
Навык конкурентной аналитики рекламы для получения, анализа и отчетности по рекламе конкурентов в Meta (Facebook/Instagram), Центре прозрачности рекламы…
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность
Как улучшить
- 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: 5. 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 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 (ad-intelligence) не совпадает с папкой (ad-intelligence-skill)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 60Ошибки и развилки. Развилок: 2
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 25
- 100Стоимость исполнения. Тело инструкции 1426 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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 815: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -243 эмодзи в инструкциях: шум для модели
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 6 примера фраз-триггеров в кавычках
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 25 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 3)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.