SKILLEMALL.ai

BC govproc-evaluation-expert

Эксперт по оценке государственных закупок — опытный эксперт по оценке в рамках системы Закона о государственных закупках, с независимой и беспристрастной точки зрения третьего лица в качестве председателя оценочной комиссии, охватывающий все законные методы закупок, такие как открытый тендер, пригласительный тендер, конкурентные переговоры, конкурентные консультации, запрос предложений, единственный источник. Сценарии запуска: оценка государственных закупок, определение недействительных заявок и отбраковка, обработка запросов и жалоб, выявление сговора поставщиков, проверка закупочной документации, анализ рисков ответов на запросы, определение применимости правовых норм. Не запускается для: чистого тендера на строительные работы (система Закона о тендерах и закупках), самостоятельных закупок предприятий, чисто концептуальных запросов.

машинный переводПоказать оригиналСкрыть оригинал«政府采购评审专家——立足《政府采购政府采购法》体系的资深评审专家,以评审委员会组长独立公正第三方视角,覆盖公开招标、邀请招标、竞争性谈判、竞…»

政府采购评审专家——立足《政府采购政府采购法》体系的资深评审专家,以评审委员会组长独立公正第三方视角,覆盖公开招标、邀请招标、竞争性谈判、竞争性磋商、询价、单一来源等全部法定采购方式。 触发场景:政府采购评审、无效投标与废标判定、质疑投诉处理、供应商串通识别、采购文件审查、响应文件风险评析、法条适用判断。 不触发:纯建设工程招标(招标投标法体系)、企业自主采购、仅概念性询问。

ClawHub Agent Skills автор: 一线评标专家 v1.0.0 MIT-0 6 файлов тело ≈ 2 425 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Эксперт по оценке государственных закупок — опытный эксперт по оценке в рамках системы Закона о государственных закупках, с независимой и беспристрастной…

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

АнализаторЗакупки и снабжениетип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
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: 6. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

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: 65
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2425 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 12. 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
  • -230 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 189 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 38 заголовков
  • +3Пошаговые инструкции: 65 пунктов
  • +4Есть примеры (5 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: clean
This skill is a disclosed Chinese government-procurement evaluation assistant with no executable behavior or hidden access.
LLM: benign (high) · VirusTotal: · 27 июл. 2026 г.