SKILLEMALL.ai
GitHub ↗ EN Войти

BD category-selection

Навык автоматического выбора и анализа категорий Amazon. Проводит глубокое исследование рынка категорий Amazon с использованием пятимерной модели оценки и генерирует отчет об анализе в формате Markdown. Активируется, когда пользователь использует команду /category-selection или запрашивает «анализ категории XX», «исследование рынка категории XX», «выбор категории XX» и т. д. Поддерживает настройку количества анализируемых позиций, по умолчанию — топ-20.

машинный переводПоказать оригиналСкрыть оригинал«亚马逊品类自动化选品分析技能。通过五维评分模型对亚马逊品类进行深度市场调研，生成Markdown分析报告。当用户使用 /category-s…»

亚马逊品类自动化选品分析技能。通过五维评分模型对亚马逊品类进行深度市场调研，生成Markdown分析报告。当用户使用 /category-selection 命令或提出'分析XX品类'、'XX品类市场调研'、'XX品类选品'等需求时触发此技能。支持配置分析数量，默认Top20。

ClawHub Agent Skills автор: ChanaLii v1.0.0 MIT-0 26 файлов тело ≈ 2 886 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Навык автоматического выбора и анализа категорий Amazon.

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкатип 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%
99
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
D
48/100
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

Такой же скилл встречается ещё в 1 месте: ClawHub

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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Секреты в коде secret-high-entropy-token scripts/parse_category_report.py:52
    Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка)
    (r'\\u002…are\\u0022:\\u0022?([\d.]+%?)\\u0022?', 'Amazon自营占比'),
    детектор

Просканировано файлов: 26. 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 48/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 55
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2886 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 11. 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

  • +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
  • -37 из 17 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 139 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 37 заголовков
  • +3Пошаговые инструкции: 55 пунктов
  • +4Есть примеры (26 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: suspicious
This appears to be a legitimate market-analysis skill, but it needs review because it automatically uses local Sorftime API credentials and sends them in URL-based external requests.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.