SKILLEMALL.ai

BC geekbi-coupang-category-search-skill

Используйте для запроса полного дерева категорий и родительских цепочек категорий Coupang Korea на платформе JING Cloud, а также для изучения цен, продаж и просмотров за последние 28 дней, рейтингов и конкуренции на основе реальных образцов товаров. Используйте, когда пользователь упоминает категории Coupang, идентификаторы отображаемых категорий, коды отображаемых категорий, деревья категорий, исследование категорий, анализ трендов или выбор категорий. Интерфейс категорий может использоваться для подтверждения условий фильтрации исследования, но не заменяет официальные метаданные категорий и проверку соответствия, необходимые для листинга.

машинный переводПоказать оригиналСкрыть оригинал«使用极鲸云查询 Coupang 韩国站全量展示类目树和类目父链,并结合真实商品样本研究价格、近 28 日销量与浏览量、评分和竞争。用户提到…»

使用极鲸云查询 Coupang 韩国站全量展示类目树和类目父链,并结合真实商品样本研究价格、近 28 日销量与浏览量、评分和竞争。用户提到 Coupang 类目、展示类目 ID、展示类目编码、类目树、品类研究、赛道分析或类目选品时使用。类目接口可用于确认研究筛选条件,但不替代刊登所需的官方类目元数据与合规校验。

ClawHub Agent Skills автор: GeekBI v0.1.0 MIT-0 17 файлов тело ≈ 185 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте для запроса полного дерева категорий и родительских цепочек категорий Coupang Korea на платформе JING Cloud, а также для изучения цен, продаж и…

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

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
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: 16. 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: 10
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 185 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 6 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 156 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 3 заголовков
  • +3Пошаговые инструкции: 10 пунктов
  • +4Справочные файлы упоминаются в инструкциях (4 из 5)

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

Внешние проверки

ClawHub: suspicious
The skill matches its Coupang research purpose, but it under-discloses sensitive authentication storage and trusted display of server-provided login links.
LLM: suspicious (high) · 7 сент. 2026 г.