SKILLEMALL.ai

AC retail-target-tracking-analysis

Инструмент отслеживания и анализа целей магазина. Поддерживает отслеживание целей по дневным/недельным/месячным циклам, задержку данных T-N, предупреждение о состоянии желтого/зеленого/красного света. Основные возможности: 1. Отслеживание по трем циклам (дневное отслеживание — утреннее совещание/предупреждение в реальном времени, недельное отслеживание — анализ недельных совещаний, месячное отслеживание — месячная оценка) 2. Поддержка задержки данных T-N (по умолчанию T-1) 3. Состояние желтого/зеленого/красного света (🟢 нормально, 🟡 внимание, 🟠 предупреждение, 🔴 тревога/срочно) 4. Пакетная проверка оповещений (проверка всех магазинов, сортировка по приоритету) 5. Интерфейс для предварительного резервирования запланированных задач Условия срабатывания: - Пользователь спрашивает о достижении цели (например, «процент достижения цели за этот месяц») - Пользователю требуется предупреждение (например, «на какие магазины следует обратить внимание») - Пользователь отслеживает производительность (например, «каков прогресс в производительности?»)

машинный переводПоказать оригиналСкрыть оригинал«门店目标追踪分析工具。支持日/周/月三周期目标追踪,T-N数据延迟,黄绿黄灯状态预警。 核心能力: 1. 三周期追踪(日追踪-晨会/实时预…»

门店目标追踪分析工具。支持日/周/月三周期目标追踪,T-N数据延迟,黄绿黄灯状态预警。 核心能力: 1. 三周期追踪(日追踪-晨会/实时预警、周追踪-周会复盘、月追踪-月度考核) 2. T-N数据延迟支持(默认T-1) 3. 黄绿黄灯状态(🟢正常、🟡关注、🟠警告、🔴告警/紧急) 4. 批量告警检查(检查所有门店,按优先级排序) 5. 定时任务预留接口 触发条件: - 用户询问目标达成(如"本月目标达成率") - 用户需要预警(如"哪些门店需要关注") - 用户追踪业绩(如"业绩进度如何")

ClawHub Agent Skills автор: Xtechmerge.AI v1.0.0 MIT-0 5 файлов тело ≈ 349 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Инструмент отслеживания и анализа целей магазина.

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

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
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: 5. 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: 5
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 349 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 3 примера фраз-триггеров в кавычках
  • +3Длина description 253 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 5 пунктов
  • +4Есть примеры (4 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: suspicious
This skill appears useful for store BI analysis, but it can access broader business data than its stated store-level scope clearly discloses.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.