SKILLEMALL.ai

AC gp-challenge-complaint-advisor

Консультант по обжалованию и жалобам в сфере государственных закупок (GP Challenge & Complaint Advisor) — консультант по обжалованию/жалобам, инструмент проверки качества и черновик на основе доступной базы знаний IMA (база знаний ИИ по жалобам на госзакупки и т. д.). Триггерные слова (включая разговорные): "Консультант по жалобам" "Помощник по жалобам" "Жалобы на госзакупки" "Обжалование" "Проверить жалобу" "Найти пример жалобы" "Написать жалобу" "Проверка жалобы" "Шаблон жалобы" "Похожий случай" "Причина отказа" "Есть ли смысл жаловаться" "Поддержит ли меня Казначейство" "Что делать, если обжалование отклонено" "Можно ли выиграть жалобу". Выход/исключение: "Не хочу больше жаловаться" "Отозвать жалобу". Подключена база знаний IMA "База знаний ИИ по жалобам на госзакупки". Неприменимо для составления тендерной документации, толкования тендерной документации, проверки контрактов, сценариев, не связанных с жалобами на госзакупки.

машинный переводПоказать оригиналСкрыть оригинал«政府采购质疑投诉参谋(GP Challenge & Complaint Advisor)——基于 IMA 可用知识库(政府采购投诉AI知识库…»

政府采购质疑投诉参谋(GP Challenge & Complaint Advisor)——基于 IMA 可用知识库(政府采购投诉AI知识库 等)的质疑/投诉参谋、质检与轻起草工具。触发词(含口语):"投诉参谋""投诉书助手""政府采购投诉""质疑""审投诉书""查投诉案例""写投诉书""投诉质检""投诉书模板""类似案例""被驳回理由""投诉有用吗""财政局会支持我吗""质疑被驳了怎么办""投诉能赢吗"。退出/异常:"不想投诉了""投诉撤回"。已接入 IMA 知识库「政府采购投诉AI知识库」。不适用于投标文件编制、招标文件解读、合同审查、非政府采购投诉场景。

ClawHub Agent Skills автор: 一线评标专家 v1.0.0 MIT-0 5 файлов тело ≈ 1 570 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Консультант по обжалованию и жалобам в сфере государственных закупок (GP Challenge & Complaint Advisor) — консультант по обжалованию/жалобам, инструмент…

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

ПроцедураЗакупки и снабжениетип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
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: 5. 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: 45
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1570 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Ответ описан самодельной разметкой (6 тегов): типизированный вызов надёжнее

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 4 примера фраз-триггеров в кавычках
  • +3Длина description 283 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 45 пунктов
  • +4Есть примеры (6 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
This skill is a disclosed Chinese-language government-procurement complaint assistant with no executable code, persistence, credential use, or hidden data access.
LLM: benign (high) · VirusTotal: · 24 июл. 2026 г.