SKILLEMALL.ai

AC procurement-admission-copilot

Копилот в режиме тени для допуска к закупкам B2B. На основе необработанных входных данных поставщика проверяет полноту пакета материалов и внутреннюю согласованность; на основе набора случаев утверждения отслеживает статус, задержки и пробелы. Никогда не составляет условия контракта и не принимает решение о допуске — только структурирует и помечает для принятия решения человеком.

машинный переводПоказать оригиналСкрыть оригинал«Shadow-mode copilot for B2B procurement admission. Given a supplier's…»

Shadow-mode copilot for B2B procurement admission. Given a supplier's raw qualification inputs, it checks material-package completeness and internal consistency; given a set of approval cases, it tracks status, stalls, and gaps. It never drafts contract terms or makes the admission decision — only structures and flags for a human to decide.

ClawHub Agent Skills автор: haiyangchen v1.0.3 MIT-0 11 файлов тело ≈ 2 484 токенов Открыть источникclawhub.ai проанализирован 34 ч назад

Копилот в режиме тени для допуска к закупкам B2B.

Как процесс C 63/100 · Есть пробелы — слабые места: согласованность, повторный запуск, отчётность по ходу

ПроцедураЗакупки и снабжениеДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
83
Прогон на моделях
не было
Процессный рейтинг
C
63/100
Есть пробелы
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Согласованность вес 8
40
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 11. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "description_zh"
    • заметка frontmatter-key неизвестное поле фронтматтера "description_en"
    • заметка frontmatter-key неизвестное поле фронтматтера "not_for"
    • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

    Процессный рейтинг: все десять параметров 63/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (procurement-admission-copilot) не совпадает с папкой (procurement-admission-copilot-skill)
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 59
    • 100Стоимость исполнения. Тело инструкции 2484 токенов
    • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

    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)
    • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 342 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 22 заголовков
    • +3Пошаговые инструкции: 59 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (2 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.

    Внешние проверки

    ClawHub: clean
    This skill reviews supplier admission materials and case queues, but its sensitive procurement outputs are disclosed as human-review readiness flags rather than automatic decisions.
    LLM: benign (high) · VirusTotal: · 31 авг. 2026 г.