SKILLEMALL.ai

AC product-recommender

Интеллектуальный движок рекомендаций продуктов для розничных цифровых сотрудников. Рекомендует продукты на основе потребностей клиента, бюджета, получателя, случая, предпочтений и истории покупок. Поддерживает рекомендации подарков, подбор комплектов одежды, перекрестные продажи, дополнительные продажи и сценарии «помоги мне решить». Используйте, когда кто-то спрашивает: 推荐, 适合, 送礼, 哪个好, 帮我选, 比较一下, 搭配什么, 有什么好的, recommend, what should I get, best for, gift idea, help me pick, what goes with, suitable for, I'm looking for.

машинный переводПоказать оригиналСкрыть оригинал«Intelligent product recommendation engine for retail digital employees…»

Intelligent product recommendation engine for retail digital employees. Recommends products based on customer needs, budget, recipient, occasion, preferences, and purchase history. Supports gift recommendations, outfit pairing, cross-sell, upsell, and "help me decide" flows. Use when someone asks: 推荐, 适合, 送礼, 哪个好, 帮我选, 比较一下, 搭配什么, 有什么好的, recommend, what should I get, best for, gift idea, help me pick, what goes with, suitable for, I'm looking for.

ClawHub Agent Skills автор: fangwei-frank v1.0.0 MIT-0 5 файлов тело ≈ 883 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Интеллектуальный движок рекомендаций продуктов для розничных цифровых сотрудников.

Как процесс C 51/100 · 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
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 51/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Ошибки и развилки. Развилок: 2
    • 100Шаги. Шагов: 21
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 883 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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 451 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 14 заголовков
    • +3Пошаговые инструкции: 21 пунктов
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.

    Внешние проверки

    ClawHub: clean
    This is a retail product recommendation skill with some routing and recommendation-quality cautions, but no evidence of hidden access, exfiltration, persistence, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.