SKILLEMALL.ai

AB return-reason-miner

Анализируйте заметки о возврате или возмещении товара и преобразуйте их в структурированную таксономию причин, представление первопричин и краткий отчет о приоритете исправления. Используйте, когда команде нужно понять причины возврата, отделить проблемы продукта от операционных или спланировать кросс-функциональные меры по устранению последствий без прямого доступа к OMS, WMS, ERP или BI.

машинный переводПоказать оригиналСкрыть оригинал«Analyze product return or refund notes and turn them into a structured…»

Analyze product return or refund notes and turn them into a structured reason taxonomy, root-cause view, and fix-priority brief. Use when a team needs to understand return drivers, separate product versus operations issues, or plan cross-functional remediation without live OMS, WMS, ERP, or BI access.

ClawHub Agent Skills автор: haidong v1.0.0 MIT-0 3 файла тело ≈ 761 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Анализируйте заметки о возврате или возмещении товара и преобразуйте их в структурированную таксономию причин, представление первопричин и краткий отчет о…

Как процесс B 70/100 · Почти готов — слабые места: результат и критерий готовности, ошибки и развилки, повторный запуск

АнализаторТорговляИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
B
70/100
Почти готов
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 70/100

    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
    • 40Результат и критерий готовности. Не сказано, что считать результатом
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 39
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 761 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 302 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 39 пунктов
    • +4Есть примеры (0 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

    Внешние проверки

    ClawHub: clean
    The skill is a local, heuristic text processor that classifies return notes into reason clusters; it does not request credentials, perform network I/O, or install software and its code matches the documented behavior.
    LLM: benign (high) · VirusTotal: benign · 14 апр. 2026 г.