SKILLEMALL.ai
GitHub ↗ EN Войти

BD simple-review-analyzer

Инструмент глубокого анализа отзывов в электронной коммерции на базе ИИ, поддерживающий интеллектуальные теги по 22 параметрам, идентификацию профилей пользователей, анализ VOC и создание визуализированных дашбордов. Активируется, когда пользователю нужны следующие функции: - Анализ отзывов о товарах в электронной коммерции (платформы Amazon/eBay/AliExpress и т. д.) - Извлечение профилей пользователей, болевых точек и VOC (голос клиента) из отзывов - Создание отчетов с инсайтами о продукте и анализ возможностей - Создание профессиональных визуализированных аналитических дашбордов - Проведение анализа конкурентов и исследований рыночного позиционирования Ключевые слова для активации: анализ отзывов в e-commerce, анализ отзывов, анализ конкурентов, инсайты пользователей, анализ VOC, оптимизация продукта, исследование рынка, извлечение данных из отзывов Ограничение AI Agent: необходимо собрать количество анализов через AskUserQuestion перед выполнением анализа

машинный переводПоказать оригиналСкрыть оригинал«AI驱动的电商评论深度分析工具，支持22维度智能标签、用户画像识别、VOC洞察和可视化看板生成。 当用户需要以下功能时触发： - 分析电商…»

AI驱动的电商评论深度分析工具，支持22维度智能标签、用户画像识别、VOC洞察和可视化看板生成。 当用户需要以下功能时触发： - 分析电商产品评论（Amazon/eBay/AliExpress等平台） - 从评论中提取用户画像、痛点和VOC（客户之声） - 生成产品洞察报告和机会点分析 - 创建专业的可视化分析看板 - 进行竞品分析和市场定位研究 触发关键词：电商评论分析、评论分析、竞品分析、用户洞察、VOC分析、产品优化、市场调研、评论数据挖掘 AI Agent 约束：必须通过 AskUserQuestion 收集分析数量后再执行分析

ClawHub Agent Skills автор: liangdabiao v1.0.0 MIT-0 17 файлов · 6 скриптов тело ≈ 829 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Инструмент глубокого анализа отзывов в электронной коммерции на базе ИИ, поддерживающий интеллектуальные теги по 22 параметрам, идентификацию профилей…

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИнфраструктураИИ и агентытип 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
B
86/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
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

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Широкие права средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.

Автору

Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.

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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • средняя Широкие права meta-broad-allowed-tools SKILL.md:1
    Заранее разрешены широкие инструменты: Bash
    allowed-tools: AskUserQuestion Bash Read Write Edit

Просканировано файлов: 17. 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 49/100

  • 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
  • 40Согласованность. Имя во frontmatter (simple-review-analyzer) не совпадает с папкой (amazon-research-reviews-skill)
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 56
  • 100Стоимость исполнения. Тело инструкции 829 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
  • +2Инструкции на одном языке
  • +3Длина description 274 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 27 заголовков
  • +3Пошаговые инструкции: 56 пунктов
  • +4Есть примеры (4 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: suspicious
The skill matches its review-analysis purpose, but it needs Review because it can automatically install a Python package and leave extra local copies of review data without clear disclosure.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.