SKILLEMALL.ai
GitHub ↗ EN Войти

BD 质量成本分析技能

Инструмент автоматизированного анализа затрат на качество, поддерживающий чтение данных Excel/CSV с несколькими листами, интеллектуальное распознавание столбцов, очистку данных, расчет по четырем категориям, автоматический выбор диаграмм и вывод отчетов в формате HTML; используется, когда пользователю требуется анализ затрат на качество, разбивка структуры затрат, анализ тенденций или отчет о затратах на качество.

машинный переводПоказать оригиналСкрыть оригинал«自动化质量成本分析工具，支持Excel/CSV多Sheet数据读取、智能列识别、数据清洗、四大分类计算、自动图表选择和HTML报告输出；当用…»

自动化质量成本分析工具，支持Excel/CSV多Sheet数据读取、智能列识别、数据清洗、四大分类计算、自动图表选择和HTML报告输出；当用户需要质量成本分析、成本结构拆解、趋势分析或质量成本报告时使用

ClawHub Agent Skills автор: engicool v0.1.0 MIT-0 9 файлов тело ≈ 718 токенов Открыть источникclawhub.ai↗ проанализирован 34 ч назад

Инструмент автоматизированного анализа затрат на качество, поддерживающий чтение данных Excel/CSV с несколькими листами, интеллектуальное распознавание…

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураКачество и контрольтип 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%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
D
49/100
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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"

Процессный рейтинг: все десять параметров 49/100

  • 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 (质量成本分析技能) не совпадает с папкой (skill-quality-cost-analysis)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 28
  • 100Стоимость исполнения. Тело инструкции 718 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)
  • +3Длина description 101: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 28 пунктов
  • +4Есть примеры (3 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +3Все 4 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
The skill matches its stated quality-cost reporting purpose, but it has under-disclosed report-time network script loading and unsafe pickle deserialization risks.
LLM: suspicious (high) · VirusTotal: · 16 июл. 2026 г.