AC retail-sku-store-analysis
Инструмент анализа продаж по отдельным SKU в магазинах. Анализирует эффективность продаж, состояние запасов, вклад консультантов и данные о конверсии AIoT по отдельному товару в указанном магазине. Основные возможности: 1. Основная информация по SKU (название, артикул, цвет, тип сумки, стандартная цена, дата запуска) 2. Эффективность продаж (объем продаж, количество продаж, средняя цена сделки, доля вклада, рейтинг) 3. Состояние запасов (текущий запас, дни на полке, статус привязки) 4. Вклад консультантов (объем продаж каждого консультанта, количество продаж, коэффициент привязки, количество обслуженных клиентов) 5. Данные о конверсии AIoT (количество пробных примерок, количество проданных единиц, коэффициент конверсии) Условия срабатывания: - Пользователь спрашивает об эффективности товара (например, "Как продается модель X?") - Пользователь анализирует данные SKU (например, "Осталось ли много этого товара на складе?") - Пользователю нужен анализ вклада консультантов (например, "Кто продал эту сумку?")
машинный переводПоказать оригиналСкрыть оригинал«单SKU门店分析工具。分析单个商品在指定门店的销售表现、库存状态、导购贡献和AIoT转化数据。 核心能力： 1. SKU基础信息（名称、款…»
单SKU门店分析工具。分析单个商品在指定门店的销售表现、库存状态、导购贡献和AIoT转化数据。 核心能力： 1. SKU基础信息（名称、款号、颜色、包型、标准价、上市日期） 2. 销售表现（销售额、销量、成交均价、贡献率、排名） 3. 库存状态（当前库存、在架天数、绑定状态） 4. 导购贡献（各导购销售额、销量、连带率、成交客户数） 5. AIoT转化数据（试用次数、成交件数、转化率） 触发条件： - 用户询问商品表现（如"心遥2卖得怎么样"） - 用户分析SKU数据（如"这个款库存还多吗"） - 用户需要导购贡献分析（如"谁卖了这款包"）
Инструмент анализа продаж по отдельным SKU в магазинах.
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription 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: 13
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1383 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
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- -216 эмодзи в инструкциях: шум для модели
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 3 примера фраз-триггеров в кавычках
- +3Длина description 275 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 16 заголовков
- +3Пошаговые инструкции: 13 пунктов
- +4Есть примеры (5 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.