SKILLEMALL.ai

BC geekbi-mercadolibre-product-search-skill

Используйте Jijing Cloud для запроса и анализа реальных данных товаров Mercado Libre (Meikeduo), включая поиск товаров, детали товаров, цены, дневные/недельные/месячные и совокупные продажи, объем продаж, рейтинг, количество отзывов, время размещения, показатели магазина, метки трансграничной доставки и доставки FULL. Используется, когда пользователь упоминает товары Meikeduo, подбор товаров Mercado Libre, хиты продаж, новые товары, ценовые диапазоны, рейтинги продаж, трансграничные товары или тренды отдельных товаров. Основывается только на данных, возвращаемых Jijing Cloud, не предоставляет поиск по изображениям, тренды поисковых запросов, информацию о прибыли или операции в Seller Center.

машинный переводПоказать оригиналСкрыть оригинал«使用极鲸云查询和分析 Mercado Libre(美客多)真实商品数据,包括商品搜索、商品详情、价格、日周月及累计销量、销售额、评分、评论数…»

使用极鲸云查询和分析 Mercado Libre(美客多)真实商品数据,包括商品搜索、商品详情、价格、日周月及累计销量、销售额、评分、评论数、上架时间、店铺指标、跨境和 FULL 履约标记。用户提到美客多商品、Mercado Libre 选品、爆品、新品、价格带、销量榜、跨境商品或单品趋势时使用。只依据极鲸云返回数据,不提供图搜、搜索词趋势、利润或卖家中心操作。

ClawHub Agent Skills автор: GeekBI v0.1.0 MIT-0 15 файлов тело ≈ 222 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте Jijing Cloud для запроса и анализа реальных данных товаров Mercado Libre (Meikeduo), включая поиск товаров, детали товаров, цены…

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: 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: 15
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 222 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 182 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 15 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 appears to do the advertised Mercado Libre product research, but its login handling stores bearer tokens in multiple local places and trusts login/action links too broadly.
LLM: suspicious (high) · 7 сент. 2026 г.