CC gobuy
Проверяйте надежность товаров на маркетплейсах, сравнивайте предложения и находите альтернативы с лучшими доказательствами — срабатывает для товаров Amazon, Walmart, Target, при проверке подлинности отзывов, вопросах «стоит ли доверять/покупать» или поиске более надежных альтернатив; возвращает оценки GoBuy Evidence Scores (0-100) для более чем 30 000 товаров, а также анализ отдельных отзывов (analyze_reviews: оценка достоверности отзыва, скорректированный рейтинг, флаги подозрительных отзывов). Оценивает также независимые магазины (Shopify и любые другие) на безопасность и готовность к работе с ИИ-агентами через stores.gobuy.ai. GoBuy — уровень доверия для коммерции с ИИ-агентами.
машинный переводПоказать оригиналСкрыть оригинал«Check marketplace product trust, compare listings, and find better-evi…»
Check marketplace product trust, compare listings, and find better-evidenced alternatives — triggers on Amazon, Walmart, Target products, review authenticity, "should I trust/buy" questions, or finding stronger alternatives; returns GoBuy Evidence Scores (0-100) across 30,000+ scored products, with on-demand per-review forensics (analyze_reviews: review integrity score, adjusted rating, suspicious-review flags). Also scores independent stores (Shopify and any storefront) for safety and AI-agent readiness via stores.gobuy.ai. GoBuy — the trust layer for agentic commerce.
Проверяйте надежность товаров на маркетплейсах, сравнивайте предложения и находите альтернативы с лучшими доказательствами — срабатывает для товаров Amazon…
Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
frontmatter-yamlSKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Check marketplace product trust, compare listings, and find better… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
Процессный рейтинг: все десять параметров 59/100
- 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
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 33
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1290 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
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
- +4Нет примеров входа/выхода
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 576 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 8 заголовков
- +3Пошаговые инструкции: 33 пунктов
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 70.