SKILLEMALL.ai
GitHub ↗ EN Войти

AD einstein-research-breadth

Оценивает здоровье рыночной широты, используя общедоступные данные CSV от TraderMonty. Генерирует составной балл от 0 до 100 по 6 компонентам (100 = здорово). Ключ API не требуется. Используйте, когда пользователь спрашивает о широте рынка, уровне участия, здоровье роста/падения, является ли ралли широким или общей оценке здоровья рынка.

машинный переводПоказать оригиналСкрыть оригинал«Quantifies market breadth health using TraderMonty's public CSV data.…»

Quantifies market breadth health using TraderMonty's public CSV data. Generates a 0-100 composite score across 6 components (100 = healthy). No API key required. Use when user asks about market breadth, participation rate, advance-decline health, whether the rally is broad-based, or general market health assessment.

ClawHub Agent Skills автор: RunByDaVinci v0.1.0 MIT-0 26 файлов тело ≈ 1 059 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Оценивает здоровье рыночной широты, используя общедоступные данные CSV от TraderMonty.

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияДанные и аналитикаИнфраструктуратип 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
D
41/100
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

    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: 26. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "id"
    • заметка frontmatter-key неизвестное поле фронтматтера "last_amended_at"
    • заметка frontmatter-key неизвестное поле фронтматтера "trigger_patterns"
    • заметка frontmatter-key неизвестное поле фронтматтера "pre_conditions"
    • заметка frontmatter-key неизвестное поле фронтматтера "expected_output_format"

    Процессный рейтинг: все десять параметров 41/100

    • 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 (einstein-research-breadth) не совпадает с папкой (einstein-research-breadth-dv)
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 36
    • 100Стоимость исполнения. Тело инструкции 1059 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
    • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • -35 из 5 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 317 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 36 пунктов
    • +4Есть примеры (2 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

    Внешние проверки

    ClawHub: clean
    This is a coherent market-analysis skill that fetches public market breadth CSV data and writes local reports, with no evidence of hidden or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.