AC retail-store-assortment-analysis
Инструмент анализа товарных поддонов. Анализирует товары, вызывающие интерес у клиентов, и изменения в поведении при использовании с точки зрения товарного поддона. Основные возможности: 1. Кросс-анализ трех воронок (SKU дисплея + количество попыток использования + клиенты) 2. Изменения в товарах, вызывающих интерес (количество SKUs, вызывающих интерес, доля SKUs, вызывающих интерес) 3. Глубина использования клиентами интересующих товаров (средняя глубина использования) 4. Дисперсия интереса клиентов (количество попыток глубокого взаимодействия / количество клиентов с глубоким взаимодействием) 5. Эффективность продаж товарного поддона (коэффициент конверсии товарного поддона, коэффициент конверсии клиентов). Условия срабатывания: - Пользователь спрашивает о товарном поддоне (например, «Как дела с товарным поддоном?») - Пользователь анализирует эффективность выкладки (например, «Какие товары вызывают интерес у клиентов?») - Пользователю нужен анализ продаж (например, «Каков коэффициент конверсии товарного поддона?»).
машинный переводПоказать оригиналСкрыть оригинал«陈列货盘分析工具。从货盘视角分析引起客户意向的商品和试用行为变化。 核心能力： 1. 三漏斗交叉分析（displayFunnel陈列SKU…»
陈列货盘分析工具。从货盘视角分析引起客户意向的商品和试用行为变化。 核心能力： 1. 三漏斗交叉分析（displayFunnel陈列SKU + behaviorFunnel试用次数 + customerFunnel客户） 2. 引起意向的商品变化（引起意向SKU数、引起意向SKU占比） 3. 客户对意向商品的试用深度（平均试用深度） 4. 客户意向分散度（深度试用次数/有深度交互的客户数） 5. 货盘成交效率（货盘成交率、客户成交率） 触发条件： - 用户询问货盘（如"货盘怎么样"） - 用户分析陈列效果（如"哪些商品引起客户兴趣"） - 用户需要动销分析（如"货盘成交率如何"）
Инструмент анализа товарных поддонов.
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: 11
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 567 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 295 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 14 заголовков
- +3Пошаговые инструкции: 11 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.