SKILLEMALL.ai

AC retail-agent-setup

Мастер онбординга для розничных цифровых сотрудников-агентов — проводит бизнес через 12-этапную настройку для конфигурации полностью функционирующего ИИ-ассистента магазина. Используйте, когда розничный бизнес хочет настроить, сконфигурировать или кастомизировать своего цифрового сотрудника-агента. Активируется по запросам: настройка розничного агента, настройка цифрового сотрудника, 数字员工, 零售助手配置, розничный онбординг, настройка ассистента магазина, настройка розничного агента, 线下零售配置, настройка ИИ моего магазина, розничный ИИ-сотрудник.

машинный переводПоказать оригиналСкрыть оригинал«Onboarding wizard for retail digital employee agents — guides business…»

Onboarding wizard for retail digital employee agents — guides businesses through a 12-step setup to configure a fully operational AI store assistant. Use when a retail business wants to set up, configure, or customize their digital employee agent. Triggers on: retail agent setup, digital employee setup, 数字员工, 零售助手配置, retail onboarding, store assistant setup, configure retail agent, 线下零售配置, set up my store AI, retail AI employee.

ClawHub Agent Skills автор: fangwei-frank v1.0.0 MIT-0 22 файла тело ≈ 1 771 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Мастер онбординга для розничных цифровых сотрудников-агентов — проводит бизнес через 12-этапную настройку для конфигурации полностью функционирующего…

Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураИИ и агентытип 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
56/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
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: 22. 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 56/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 65Ошибки и развилки. Развилок: 3
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 5
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1771 токенов

    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 432 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 18 заголовков
    • +3Пошаговые инструкции: 5 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (12 из 12)
    • +3Все 4 скриптов описаны в инструкциях

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

    Внешние проверки

    ClawHub: clean
    This is a disclosed retail-agent onboarding workflow with sensitive setup steps, but the access and persistence are coherent with its purpose and include user confirmation points.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.