SKILLEMALL.ai

BC financial-data-collection

Сбор и анализ данных о государственных доходах и расходах Министерства финансов Китая. Используйте этот навык, когда пользователь упоминает следующие сценарии: (1) Сбор данных о государственных финансах — триггерные слова: сбор данных о государственных финансах, сбор данных о государственных финансах, последние данные о государственных финансах, сбор данных о государственных финансах; (2) Анализ данных о государственных финансах — триггерные слова: анализ данных о государственных финансах, анализ дефицита государственных финансов, исследование государственных доходов, сравнение государственных доходов и расходов. Отвечает за выполнение конвейера сбора данных о государственных финансах с официального сайта Министерства финансов и за структурный анализ результатов сбора и экспортированных данных, а также дает рекомендации по исправлению аномалий при сборе.

машинный переводПоказать оригиналСкрыть оригинал«中国财政部财政收支数据采集与分析。当用户提到以下场景时使用本 skill:(1) 抓取财政数据 - 触发词:抓取财政数据、采集财政数据、最新…»

中国财政部财政收支数据采集与分析。当用户提到以下场景时使用本 skill:(1) 抓取财政数据 - 触发词:抓取财政数据、采集财政数据、最新财政数据、财政数据采集;(2) 分析财政数据 - 触发词:分析财政数据、分析财政赤字、研究财政收入、对比财政收支。负责运行财政部官网的财政数据采集 pipeline,并对采集结果和导出数据进行结构化分析,也负责对采集过程中的爬取异常给出修复建议。

ClawHub Agent Skills автор: cy7533 v1.0.0 MIT-0 15 файлов тело ≈ 1 029 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Сбор и анализ данных о государственных доходах и расходах Министерства финансов Китая.

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

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
71
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: 15. 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 "changelog"

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: 43
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1029 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 193 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +3Пошаговые инструкции: 43 пунктов
  • +4Есть примеры (8 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: clean
This appears to be a purpose-aligned financial data collection skill with normal scraping and local export risks, not evidence of malware or deception.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.