SKILLEMALL.ai

BC smart-site-selection-skill

Эксперт по анализу местоположения для физического бизнеса. С помощью динамических запросов по бизнес-стратегии и движка данных Gaode LBS автоматически генерирует интерактивные визуальные отчеты, включающие «радар конкурентов», «прогноз трафика» и «матрицу многомерного сравнения», делая решения об открытии магазина более научными.

машинный переводПоказать оригиналСкрыть оригинал«专为实体商业打造的 AI 选址洞察专家。通过动态商业战略追问与高德 LBS 数据引擎,全自动生成包含「竞品雷达」、「客流推演」与「多维横评矩…»

专为实体商业打造的 AI 选址洞察专家。通过动态商业战略追问与高德 LBS 数据引擎,全自动生成包含「竞品雷达」、「客流推演」与「多维横评矩阵」的交互式可视化研报,让开店决策更科学。

ClawHub Agent Skills автор: qiuhe v1.0.0 MIT-0 7 файлов тело ≈ 621 токенов Открыть источникclawhub.ai проанализирован 4 дн назад

Эксперт по анализу местоположения для физического бизнеса.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
82/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
56
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Plain value cannot start with reserved character @ at line 8, column 11: - @AMap-Web/amap-lbs-skill ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 51/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 18
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 621 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

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Длина description 91: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -32 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 18 пунктов
  • +4Есть примеры (2 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 56.

Внешние проверки

ClawHub: suspicious
This site-selection skill is mostly aligned with its purpose, but it needs review because it uses external services and an API key, writes local reports and temp state with weak safeguards, and includes rate-limit-evasion language.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.