BC amazon-product-research
Skill "Исследование выбора товаров Amazon": Используйте данные отзывов, чтобы проверить, стоит ли заниматься определенной категорией товаров. Собирайте отзывы о продаваемых конкурентных товарах, чтобы понять, на что жалуются покупатели, какие проблемы не решают существующие продукты и за что они готовы платить больше. Это позволит перейти от выбора товаров "на глазок" к принятию решений на основе доказанной потребности. Этот пакет также предоставляет полный набор возможностей анализа отзывов ARI: подписка на ASIN и сбор отзывов, просмотр и фильтрация отзывов, просмотр рейтингов/ключевых слов/трендов и радарных диаграмм, создание отчетов VOC и глубоких инсайтов, запуск рабочих процессов управления товарами, мониторинг изменений товаров (watch), предупреждение о плохих отзывах и рабочий стол для плохих отзывов, сравнение с отраслевыми показателями и ранжирование по категориям, а также экспорт отзывов в CSV и отчетов в Markdown/HTML. Используйте, когда пользователь спрашивает об исследовании продуктов, проверке ниши, исследовании рынка, оценке возможностей, 选品、选品调研、市场调研、 需求验证、蓝海分析、品类机会、产品定位. Требуется ARI API ключ (ari_live_*).
машинный переводПоказать оригиналСкрыть оригинал«亚马逊选品调研 Skill：用评论数据验证一个品类值不值得做——采集在售竞品评论， 看买家的抱怨集中在哪、现有产品没解决什么、愿意为什么加价…»
亚马逊选品调研 Skill：用评论数据验证一个品类值不值得做——采集在售竞品评论， 看买家的抱怨集中在哪、现有产品没解决什么、愿意为什么加价， 把拍脑袋选品变成有证据的需求判断。 本包同时提供 ARI 完整评论分析能力：订阅 ASIN 并采集评论、浏览与筛选评论、 查看星级/关键词/趋势与雷达图表、生成 VOC 与深度洞察等分析报告、 运行商品运营工作流、商品变化监控（watch）、差评预警与差评工作台、 行业对标与类目排行，并导出评论 CSV 与报告 Markdown/HTML。 Use when the user asks about product research, niche validation, market research, opportunity sizing, 选品、选品调研、市场调研、 需求验证、蓝海分析、品类机会、产品定位。 Requires an ARI API key (ari_live_*).
Skill "Исследование выбора товаров Amazon": Используйте данные отзывов, чтобы проверить, стоит ли заниматься определенной категорией товаров.
Как процесс C 52/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».
Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.
Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.
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 · 2
✓ Критических и высоких находок нет
Средние и низкие: 2
-
средняя Утечка данных
net-redirectable-api-keyscripts/ari.py:82Скрипт отправляет API-ключ на хост из переменной окружения — ключ можно перенаправить на другой серверAPI key + configurable base URL from environment
-
средняя Широкие права
meta-broad-allowed-toolsSKILL.md:1Заранее разрешены широкие инструменты: Bashallowed-tools: Bash
Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "display_name" - заметка
frontmatter-keyнеизвестное поле фронтматтера "agent_created"
Процессный рейтинг: все десять параметров 52/100
- 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
- 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (amazon-product-research) не совпадает с папкой (product-research)
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Инструменты объявлены во frontmatter
- 100Шаги. Шагов: 70
- 100Стоимость исполнения. Тело инструкции 2398 токенов
- low Разделов верхнего уровня: 11. 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 418 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 70 пунктов
- +4Есть примеры (1 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.