SKILLEMALL.ai

AC financial-roe-analysis

С точки зрения опытного финансового аналитика, проведите глубокий финансовый анализ публичных компаний на основе системы анализа Дюпона. Сценарии применения: (1) Анализ финансового состояния конкретной акции/публичной компании, (2) Глубокий анализ факторов, влияющих на ROE, (3) Оценка качества прибыли компании, эффективности использования активов, кредитного риска, (4) Вывод отчета о финансовом анализе, соответствующего стандартам институциональных исследований. Триггерные слова: финансовый анализ, анализ ROE, анализ Дюпона, финансовые показатели акций, качество прибыли, качество чистой прибыли, эффективность использования активов, финансовый отчет, анализ компании, как дела у компании X (с финансовой точки зрения).

машинный переводПоказать оригиналСкрыть оригинал«以资深财务分析师视角,基于杜邦分析体系对上市公司进行深度财务分析。适用场景:(1) 分析某只股票/上市公司的财务状况,(2) 深度拆解ROE…»

以资深财务分析师视角,基于杜邦分析体系对上市公司进行深度财务分析。适用场景:(1) 分析某只股票/上市公司的财务状况,(2) 深度拆解ROE驱动因素,(3) 评估公司盈利质量、资产运营效率、杠杆风险,(4) 输出机构投研标准的财务分析报告。触发词:财务分析、ROE分析、杜邦分析、股票财务、盈利质量、净利润质量、资产运营、财务报告、分析某公司、某股票怎么样(财务角度)。

ClawHub Agent Skills автор: 三水清 v1.0.0 MIT-0 5 файлов тело ≈ 426 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

С точки зрения опытного финансового аналитика, проведите глубокий финансовый анализ публичных компаний на основе системы анализа Дюпона.

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
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
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: 20
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 426 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 185 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 9 заголовков
  • +3Пошаговые инструкции: 20 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: clean
This is a finance-analysis guide that uses public company financial data and does not contain code execution, credential use, persistence, or destructive behavior.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.