SKILLEMALL.ai
GitHub ↗ EN Войти

CD npa-valuation-engine

Полный движок оценки и ценообразования для конфискованного и проблемного имущества: согласование скидок, оценка ремонтопригодности скидок, IRR/MOIC в трех сценариях, обратный расчет верхнего предела ставки и генерация аудируемой модели оценки в формате xlsx. Ключевые слова: конфискованное имущество, проблемное имущество, NPL, пакет активов, верхний предел ставки, ставка дисконтирования, IRR, MOIC, ликвидация, комплексная проверка, уступка долга, AMC, коэффициент возврата, залог, потребительский кредит проблемный, корпоративный кредит проблемный.

машинный переводПоказать оригиналСкрыть оригинал«法拍与不良资产全栈估值定价引擎：折价口径对齐、折价可修复性打分、三情景 IRR/MOIC、投标上限反推，并生成可审计的 xlsx 估值模型。…»

法拍与不良资产全栈估值定价引擎：折价口径对齐、折价可修复性打分、三情景 IRR/MOIC、投标上限反推，并生成可审计的 xlsx 估值模型。触发词：法拍、不良资产、NPL、资产包、投标上限、折价率、IRR、MOIC、处置、尽调、债权转让、AMC、回收率、抵押物、个贷不良、对公不良。

Не рекомендуетсяесть критические или высокие находки безопасности
ClawHub Agent Skills автор: lingyu9495-source v3.0.1 MIT-0 39 файлов · 6 скриптов тело ≈ 2 188 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Полный движок оценки и ценообразования для конфискованного и проблемного имущества: согласование скидок, оценка ремонтопригодности скидок, IRR/MOIC в трех…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураExcelФинансытип 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
C
80/100
безопасность, качество, тесты
Безопасность 60%
82
Качество 40%
77
Прогон на моделях
не было
Процессный рейтинг
D
46/100
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

Скилл содержит фрагменты, которые в чужих руках стоят денег или данных. Ниже, что рискует потерять тот, кто установит, и что должен сделать автор.

Опасные команды
Если установить

Скилл содержит команды, которые удаляют файлы, переписывают диски или исполняют код, скачанный из сети. Агент может выполнить их без вопроса, если считает, что так требует инструкция.

Автору

Замените разрушительные команды на безопасные аналоги с подтверждением, ограничьте область действия конкретной папкой и не тяните код через curl | bash: укажите версию и контрольную сумму.

Как улучшить

  1. Разберите находки высокой серьёзности: каждая стоит 18 баллов безопасности. Если это ложное срабатывание, добавьте код правила в guard.allow в spec.yaml.
  2. 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

  • высокая Опасные команды cmd-install-from-url SKILL.md:78
    Установка пакета по недоверенному URL / из архива
    pip install -i https://pypi.tuna.tsinghua.edu.cn/simple openpyxl numpy_financial

Просканировано файлов: 39. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name_en"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_zh"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_en"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 42
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2188 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 12. Похоже на несколько доменов в одном скилле

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 141 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 30 заголовков
  • +3Пошаговые инструкции: 42 пунктов
  • +4Есть примеры (7 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (27 из 27)
  • +3Все 6 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
This is a coherent local valuation toolkit for foreclosure and non-performing asset analysis, with no evidence of hidden execution, persistence, credential access, or data exfiltration.
LLM: benign (high) · VirusTotal: · 25 сент. 2026 г.