SKILLEMALL.ai
GitHub ↗ EN Войти

AA stockaskill

Интеллектуальный подбор акций на нескольких рынках для акций A-share/HK/US и ETF. Используйте, когда пользователь спрашивает об анализе акций, сканировании рынка, построении портфеля, факторном скрининге, сигналах количественных стратегий, скрининге фондов, бэктестинге или диагностике инвестиций. Активируется по тикерам акций (600519, AAPL, 0700.HK), названиям китайских акций (贵州茅台), тикерам фондов (510300) и запросам с ключевыми словами, такими как "分析", "选股", "scan", "portfolio", "backtest", "因子", "评分", "BUY/SELL/HOLD" или "诊断".

машинный переводПоказать оригиналСкрыть оригинал«Multi-market intelligent stock selection for A-share/HK/US stocks and…»

Multi-market intelligent stock selection for A-share/HK/US stocks and ETFs. Use when user asks about stock analysis, market scanning, portfolio construction, factor screening, quantitative strategy signals, fund screening, backtesting, or investment diagnosis. Triggers on stock codes (600519, AAPL, 0700.HK), Chinese stock names (贵州茅台), fund codes (510300), and queries with keywords like "分析", "选股", "scan", "portfolio", "backtest", "因子", "评分", "BUY/SELL/HOLD", or "诊断".

ClawHub Agent Skills автор: axjing v0.1.0 MIT-0 13 файлов тело ≈ 1 771 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Интеллектуальный подбор акций на нескольких рынках для акций A-share/HK/US и ETF.

Как процесс A 81/100 · Дойдёт до конца — слабые места: отчётность по ходу

ПроцедураРазработкаДанные 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
A
99/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
97
Прогон на моделях
не было
Процессный рейтинг
A
81/100
Дойдёт до конца
Отчётность по ходу вес 2
0
Ошибки и развилки вес 10
50
Результат и критерий готовности вес 14
60
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: 13. 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 81/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 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
    • 100Инструменты и файлы. Инструменты объявлены во frontmatter
    • 100Шаги. Шагов: 28
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1771 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Разделов верхнего уровня: 10. 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +2Инструкции на одном языке
    • +5В description 3 примера фраз-триггеров в кавычках
    • +3Длина description 472 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 23 заголовков
    • +3Пошаговые инструкции: 28 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (13 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (11 из 11)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 97.

    Внешние проверки

    ClawHub: clean
    This is a disclosed stock-research skill that uses public market data, local caching, and report files, with some methodology and scoping caveats users should review.
    LLM: benign (high) · VirusTotal: · 30 июн. 2026 г.