SKILLEMALL.ai
GitHub ↗ EN Войти

BD sales-forecast

AI-помощник по прогнозированию продаж. На основе большой нулевой модели временных рядов Amazon Chronos-2 (120M) введите исторические данные о продажах (CSV/Excel), чтобы автоматически сгенерировать вероятностные прогнозы по нескольким квантилям, доверительные интервалы и интерактивный HTML-отчет с визуализацией. Используйте, когда пользователь спрашивает о прогнозе продаж, прогнозе продаж, прогнозе тенденций, прогнозе временных рядов.

машинный переводПоказать оригиналСкрыть оригинал«AI销量预测助手。基于 Amazon Chronos-2 (120M) 零样本时序大模型，输入历史销量数据（CSV/Excel），自动生成多…»

AI销量预测助手。基于 Amazon Chronos-2 (120M) 零样本时序大模型，输入历史销量数据（CSV/Excel），自动生成多分位数概率预测、置信区间和交互式HTML可视化报告。当用户询问销量预测、销售预测、趋势预测、时序预测时使用。

ClawHub Agent Skills автор: bettermen v1.0.0 MIT-0 2 файла тело ≈ 372 токенов Открыть источникclawhub.ai↗ проанализирован 32 ч назад

AI-помощник по прогнозированию продаж.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураДанные 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
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 49/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (sales-forecast) не совпадает с папкой (sales-forecast-pkg)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 14
  • 100Стоимость исполнения. Тело инструкции 372 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 124 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 14 пунктов
  • +4Есть примеры (2 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
This sales-forecasting skill is coherent and disclosed, with ordinary dependency and model-download considerations but no evidence of hidden or harmful behavior.
LLM: benign (high) · VirusTotal: · 13 июн. 2026 г.