SKILLEMALL.ai

AC pans-discovery-playbook

Инструмент для выявления потребностей в продажах ИИ-вычислительных мощностей. В зависимости от сценария общения (первый звонок/представление потребностей/POC/продление контракта) и отрасли (технологии/финансы/медицина/автопилот/контент/производство/академия/правительство) автоматически генерирует список вопросов для интервью, информацию о фоновых знаниях отрасли, рекомендации по общению и стратегии обработки возражений, выдавая руководство по выявлению потребностей в формате Markdown или JSON. Триггеры: "discovery phase", "customer interview", "script guide", "objection handling", "needs mining", "discovery", "first contact", "customer communication", "sales script"

машинный переводПоказать оригиналСкрыть оригинал«AI算力销售发现阶段话术与框架工具。根据沟通场景(首次电话/需求介绍/POC/ 续约增购)和行业(科技/金融/医疗/自动驾驶/内容/制造/学…»

AI算力销售发现阶段话术与框架工具。根据沟通场景(首次电话/需求介绍/POC/ 续约增购)和行业(科技/金融/医疗/自动驾驶/内容/制造/学术/政府) 自动生成访谈问题清单、行业背景知识、话术建议和异议处理策略, 输出 Markdown 或 JSON 格式发现指南。 触发词:发现阶段, 客户访谈, 话术指南, 异议处理, 需求挖掘, discovery, 首次沟通, 客户沟通, 销售话术

ClawHub Agent Skills автор: dashiming v1.0.0 MIT-0 3 файла тело ≈ 220 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Инструмент для выявления потребностей в продажах ИИ-вычислительных мощностей.

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
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: 3. 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: 6
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 220 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 195 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 6 пунктов
  • +4Есть примеры (1 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: clean
This skill is a local AI compute sales playbook generator, with only a minor risk of activating too broadly.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.