SKILLEMALL.ai

BC geekbi-mercadolibre-research-skill

Используйте Jingyun Cloud для запроса и комбинированного анализа реальных данных о товарах, магазинах, категориях и отзывах Mercado Libre (Meikeduo) для выбора трансграничных товаров, исследования рынка, анализа конкурентов, изучения ценовых диапазонов, продаж и репутации. Используйте, когда пользователь запрашивает комплексный выбор товаров Meikeduo, возможности рынка, магазины конкурентов, категории, анализ рыночных ниш, трансграничные операции или анализ выполнения заказов FULL, и ему требуются множественные данные для принятия операционных решений. Используйте только реальные данные, возвращаемые Jingyun Cloud, не предоставляйте поиск по изображениям, тренды по ключевым словам, информацию о прибыли или операции в центре продавца.

машинный переводПоказать оригиналСкрыть оригинал«通过极鲸云查询和组合分析 Mercado Libre(美客多)真实商品、店铺、类目和评论数据,完成跨境选品、市场调研、竞品分析、价格带、销量…»

通过极鲸云查询和组合分析 Mercado Libre(美客多)真实商品、店铺、类目和评论数据,完成跨境选品、市场调研、竞品分析、价格带、销量与口碑研究。用户提出美客多综合选品、市场机会、竞品店铺、类目赛道、跨境或 FULL 履约分析,且需要多类数据形成经营判断时使用。只依据极鲸云真实返回数据,不提供图搜、关键词趋势、利润或卖家中心操作。

ClawHub Agent Skills автор: GeekBI v0.1.0 MIT-0 28 файлов тело ≈ 278 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте Jingyun Cloud для запроса и комбинированного анализа реальных данных о товарах, магазинах, категориях и отзывах Mercado Libre (Meikeduo) для…

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: 26. 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 278 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 10 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 169 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Справочные файлы упоминаются в инструкциях (6 из 11)

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

Внешние проверки

ClawHub: suspicious
The skill has a coherent Mercado Libre research purpose, but its credential handling and configurable API destination create review-worthy risk.
LLM: suspicious (high) · 7 сент. 2026 г.