SKILLEMALL.ai
GitHub ↗ EN Войти

AC Checkout Recovery

Уменьшите количество неудачных платежей и отказов от корзин из-за проблем при оформлении заказа, проверив охват способов оплаты, сообщения об ошибках и дизайн процесса повторных попыток.

машинный переводПоказать оригиналСкрыть оригинал«Reduce payment failures and cart abandonment from checkout friction by…»

Reduce payment failures and cart abandonment from checkout friction by auditing payment method coverage, error messaging, and retry flow design.

ClawHub Agent Skills автор: LeroyCreates v1.1.0 MIT-0 6 файлов тело ≈ 3 236 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Уменьшите количество неудачных платежей и отказов от корзин из-за проблем при оформлении заказа, проверив охват способов оплаты, сообщения об ошибках и дизайн…

Как процесс C 64/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

АнализаторТорговляИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
64/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 64/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 8, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (Checkout Recovery) не совпадает с папкой (checkout-recovery)
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 53
  • 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
  • 100Стоимость исполнения. Тело инструкции 3236 токенов

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)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 144 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 16 заголовков
  • +3Пошаговые инструкции: 53 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (2 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

Внешние проверки

ClawHub: clean
This is a documentation-only checkout audit skill that reviews payment and recovery flows without code, credential use, or hidden automation.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.