SKILLEMALL.ai
GitHub ↗ EN Войти

AD amazon-rating-analysis

Навык анализа звездных рейтингов Amazon: разбирает структуру рейтинга ASIN — процентное соотношение каждого звездного рейтинга, изменение рейтинга во времени, в какой период времени концентрируются плохие отзывы, определяет, является ли это проблемой партии или долгосрочным недостатком, помогает определить причину снижения рейтинга. Используйте, когда пользователь спрашивает о разбивке звездных рейтингов, распределении рейтингов, анализе оценок, анализе звездных рейтингов, анализе оценок, распределении оценок, снижении оценок, процентном соотношении звездных рейтингов, диагностике оценок. Требуется ключ ARI API (ari_live_*).

машинный переводПоказать оригиналСкрыть оригинал«亚马逊星级评分分析 Skill：拆解一个 ASIN 的评分结构——各星级占比、评分随时间的变化、 差评集中在哪个时间段，判断是批次问题还是长…»

亚马逊星级评分分析 Skill：拆解一个 ASIN 的评分结构——各星级占比、评分随时间的变化、 差评集中在哪个时间段，判断是批次问题还是长期硬伤，辅助定位评分下滑的原因。 Use when the user asks about star rating breakdown, rating distribution, review score analysis, 星级分析、评分分析、评分分布、评分下滑、星级占比、 评分诊断。Requires an ARI API key (ari_live_*).

ClawHub Agent Skills автор: funewa v1.4.8 MIT-0 9 файлов тело ≈ 2 366 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Навык анализа звездных рейтингов Amazon: разбирает структуру рейтинга ASIN — процентное соотношение каждого звездного рейтинга, изменение рейтинга во времени…

Как процесс D 45/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторИнфраструктуратип 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
A
93/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
89
Прогон на моделях
не было
Процессный рейтинг
D
45/100
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

Такой же скилл встречается ещё в 1 месте: ClawHub

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

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».

Автору

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.

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 · 1

    ✓ Критических и высоких находок нет

    Средние и низкие: 1
    • средняя Утечка данных net-redirectable-api-key scripts/ari.py:61
      Скрипт отправляет API-ключ на хост из переменной окружения — ключ можно перенаправить на другой сервер
      API key + configurable base URL from environment

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

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
    • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"
    • заметка frontmatter-key неизвестное поле фронтматтера "slug"
    • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
    • заметка frontmatter-key неизвестное поле фронтматтера "summary"

    Процессный рейтинг: все десять параметров 45/100

    • 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-rating-analysis) не совпадает с папкой (rating-analysis)
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 69
    • 100Стоимость исполнения. Тело инструкции 2366 токенов
    • 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
    • +2Инструкции на одном языке
    • +3Длина description 251 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 69 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)
    • +3Все 1 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.

    Внешние проверки

    ClawHub: suspicious
    This skill is not overtly malicious, but it can use an ARI account key for paid analyses, account data access, and persistent monitoring or auto-confirm settings beyond its narrow rating-analysis label.
    LLM: suspicious (high) · 8 сент. 2026 г.