SKILLEMALL.ai

BC supply-chain-bom-analyzer

Анализ данных BOM цепочки поставок — извлечение, очистка, сопоставление данных BOM аппаратного обеспечения из нескольких инженерных коммерческих предложений и таблиц Excel/CSV, создание сводной таблицы прогноза потребностей в материалах по временной шкале. Сценарии использования: (1) Анализ коммерческих предложений от нескольких поставщиков; (2) Извлечение списков материалов для категорий сенсорного и собирающего оборудования, а также оборудования для передачи и сетевого взаимодействия; (3) Стандартизированное объединение материалов между таблицами; (4) Генерация таблицы прогноза потребностей по датам поставки проекта.

машинный переводПоказать оригиналСкрыть оригинал«供应链 BOM 数据分析 - 从多份工程报价单和 Excel/CSV 表格中提取、清洗、对齐硬件设备 BOM 数据,生成按时间轴维度的物料需…»

供应链 BOM 数据分析 - 从多份工程报价单和 Excel/CSV 表格中提取、清洗、对齐硬件设备 BOM 数据,生成按时间轴维度的物料需求预测汇总表。使用场景:(1) 分析多家供应商报价单;(2) 提取传感与采集设备、传输与组网类别的物料清单;(3) 跨表格物料标准化合并;(4) 按项目交付时间生成需求预测表。

ClawHub Agent Skills автор: git-Surellc v1.0.1 MIT-0 4 файла тело ≈ 241 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Анализ данных BOM цепочки поставок — извлечение, очистка, сопоставление данных BOM аппаратного обеспечения из нескольких инженерных коммерческих предложений и…

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

АнализаторЗакупки и снабжениеДанные и аналитикаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
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: 4. 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: 12
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 241 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 158 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
This skill is an instruction-only BOM analysis helper that processes user-provided spreadsheets and quotes without requesting code execution, credentials, network access, or persistence.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.