SKILLEMALL.ai

BC geekbi-aliexpress-product-search-skill

Используйте JING Cloud для запроса и анализа товаров AliExpress, объемов продаж и доходов, цен, количества оценок, количества комментариев, лайков, запасов, времени размещения, SKU и исторических тенденций. Используется, когда пользователи упоминают поиск товаров на AliExpress или AliExpress, идентификатор товара, популярные товары, новые товары, рейтинги продаж, ценовые диапазоны, тенденции роста, фильтрацию кандидатов или исследование отдельных товаров. Используются только фактические данные, возвращаемые JING Cloud; не обрабатываются поиск по изображениям, библиотеки ключевых слов, тексты отзывов, рекламные данные, прибыль или операции в центре продавца.

машинный переводПоказать оригиналСкрыть оригинал«使用极鲸云查询和分析 AliExpress 商品、销量与销售额、价格、评分、评论数、点赞、库存、上架时间、SKU 和历史趋势。用户提到速卖通…»

使用极鲸云查询和分析 AliExpress 商品、销量与销售额、价格、评分、评论数、点赞、库存、上架时间、SKU 和历史趋势。用户提到速卖通或 AliExpress 商品搜索、商品 ID、爆品、新品、销量榜、价格带、增长趋势、候选筛选或单品研究时使用。只依据极鲸云真实返回的数据;不处理图搜、关键词库、评论正文、广告数据、利润或卖家中心操作。

ClawHub Agent Skills автор: GeekBI v0.1.0 MIT-0 15 файлов тело ≈ 237 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Используйте JING Cloud для запроса и анализа товаров AliExpress, объемов продаж и доходов, цен, количества оценок, количества комментариев, лайков, запасов…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктураТорговлятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 14. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 17
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 237 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • -32 из 5 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 171 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Справочные файлы упоминаются в инструкциях (4 из 4)

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

Внешние проверки

ClawHub: suspicious
The skill’s AliExpress research purpose is coherent, but its authentication scripts allow endpoint redirection and duplicate login tokens across local locations, so it needs review before installation.
LLM: suspicious (high) · 7 сент. 2026 г.