SKILLEMALL.ai
GitHub ↗ EN Войти

BD bid-risk-redline-checker

Помощник по выявлению рисков отклонения заявки и сигналов контроля над тендером. Когда пользователь предоставляет конкретный тендерный проект и хочет выявить риски, необходимо использовать этот SKILL: оценка рисков отклонения заявки, выявление ограничительных сигналов (закрытый конкурс/единственный поставщик/специальные квалификационные требования/краткие сроки подачи заявок/офлайн-получение документов), анализ открытости конкуренции, анализ структуры поставщиков заказчика и выявление действующих поставщиков, сравнение аналогичных проектов, рекомендации по принятию решения об участии в тендере. На основе исторических данных о тендерах по всей сети выдает отчет об оценке рисков. Даже если пользователь не упоминает «отклонение заявки», при наличии потребностей, связанных с тем, есть ли «подводные камни» в тендерной документации, предрешен ли результат, стоит ли участвовать, следует использовать этот SKILL.

машинный переводПоказать оригиналСкрыть оригинал«废标风险与控标信号识别助手。当用户给出一个具体的招标项目并希望排查风险时，必须使用此SKILL：废标风险评估、限制性信号识别（邀请招标/单一…»

废标风险与控标信号识别助手。当用户给出一个具体的招标项目并希望排查风险时，必须使用此SKILL：废标风险评估、限制性信号识别（邀请招标/单一来源/定向资质条款/超短投标窗口/线下取文件）、竞争开放度分析、采购方历史供应商格局与在位者识别、同类项目对比、投标决策建议。基于全网招中标历史数据输出风险评估报告。即使用户没有提到「废标」，只要涉及标书有没有坑、是不是内定倾向、值不值得投等需求，都应使用本SKILL。

ClawHub Agent Skills автор: zhiliaobiaoxun v1.0.7 MIT-0 7 файлов тело ≈ 1 613 токенов Открыть источникclawhub.ai↗ проанализирован 4 дн назад

Помощник по выявлению рисков отклонения заявки и сигналов контроля над тендером.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияЗакупки и снабжениетип 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
B
88/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
75
Прогон на моделях
не было
Процессный рейтинг
D
46/100
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

  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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Утечка данных net-credential-use references/auto-register.md:215
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис) (в кавычках — упоминание, а не команда)
    **如果当前 api_key 来自 `$ZLBX_API_KEY`**：跳过 SID 流程，提示用户访问 `https://ai.zhiliaobiaoxun.com/?ch=s84` 手动登录充值。
    в кавычках
  • низкая Обфускация obf-base64-blob scripts/render_report.py:71
    Длинный blob, похожий на base64 (в кавычках — упоминание, а не команда)
    _LOGO_B64 = "iVBO…B5x
    в кавычках
  • низкая Секреты в коде secret-high-entropy-token scripts/render_report.py:71
    Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
    _LOGO_B64 = "iVBO…B5x
    в кавычках

Просканировано файлов: 7. 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 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 32
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1613 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

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
  • -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 205 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 32 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)
  • +3Все 1 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: suspicious
The skill is mostly coherent for bid-risk analysis, but it needs Review because it stores credentials, sends a device-linked identifier during auto-registration, and preserves signed access links in exported reports.
LLM: suspicious (high) · 8 сент. 2026 г.