SKILLEMALL.ai

AC bid-doc-interpreter

Анализ и разбор тендерной документации. Активируется, когда пользователь загружает тендерную документацию (PDF/DOCX/изображения/несколько файлов) и выражает намерение «проанализировать тендерную документацию», «разобрать тендерную документацию», «изучить тендерную документацию», «анализ тендерной документации», «извлечь ключевую информацию из тендерной документации», «обобщить основные моменты тендерной документации», «посмотреть, какие есть подводные камни в этом тендере». Структурированный анализ и вывод в стандартизированной таблице + список основных моментов + предупреждение о рисках по 7 модулям (основная информация о проекте, проверка квалификации, проверка соответствия, коммерческие требования, технические требования, пункты, приводящие к отклонению, метод оценки и критерии оценки) + проверка на предвзятость и исключительность. Неприменимо для проверки контрактов, подготовки тендерных заявок, моделирования оценки/победы в тендере, расчета тендерной цены, написания писем с возражениями/жалобами — при таких запросах следует вежливо объяснить диапазон и направить к соответствующему навыку, не отвечая принудительно.

машинный переводПоказать оригиналСкрыть оригинал«招标文件拆分解读。当用户上传招标文件(PDF/DOCX/图片/多文件)并表达"解读招标文件""拆解招标文件""分析招标文件""标书解读""招…»

招标文件拆分解读。当用户上传招标文件(PDF/DOCX/图片/多文件)并表达"解读招标文件""拆解招标文件""分析招标文件""标书解读""招标文件分析""提取招标文件关键信息""招标文件要点梳理""看看这个标有什么坑"等意图时触发。按7大模块(项目基本信息、资格性审查、符合性审查、商务要求、技术要求、废标项、评标办法与评分标准)+倾向性与排他性审查,结构化解读并输出标准化表格+要点清单+风险提示。不适用于合同审查、投标文件编制、评分/中标模拟预测、投标报价计算、质疑函/投诉书撰写——遇到此类请求应礼貌说明范围并引导至对应技能,不强行作答。

ClawHub Agent Skills автор: 一线评标专家 v1.0.0 MIT-0 7 файлов тело ≈ 1 658 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Анализ и разбор тендерной документации.

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

ПроцедураWordЗакупки и снабжениетип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
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
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: 0. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 33
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1658 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -224 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 7 примера фраз-триггеров в кавычках
  • +3Длина description 272 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 24 заголовков
  • +3Пошаговые инструкции: 33 пунктов
  • +4Есть примеры (1 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: clean
This is a disclosed bid-document analysis skill with no executable code or hidden data transfer, though it always appends an author and WeChat feedback footer to final reports.
LLM: benign (high) · VirusTotal: · 24 июл. 2026 г.