SKILLEMALL.ai
GitHub ↗ EN Войти

BC linkfox-expert-cross-cultural-product-scout

Эксперт по подбору товаров для трансграничной электронной коммерции. Подходит для сценариев, когда после предоставления целевой страны или региона требуется сочетание местной культуры, образа жизни, праздников, климата, ключевых слов для поиска на 1688, подсказок Alexa и многоисточниковой проверки для выявления возможностей товаров.

машинный переводПоказать оригиналСкрыть оригинал«跨文化电商选品专家。适用于用户提供目标国家或地区后，需要结合当地文化、生活方式、节日气候、1688 采购关键词、Alexa 提示词和多源验证…»

跨文化电商选品专家。适用于用户提供目标国家或地区后，需要结合当地文化、生活方式、节日气候、1688 采购关键词、Alexa 提示词和多源验证来发现商品机会的场景。

ClawHub Agent Skills автор: linkfox-ai v1.0.1 MIT-0 80 файлов тело ≈ 1 113 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Эксперт по подбору товаров для трансграничной электронной коммерции.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИИ 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%
100
Качество 40%
64
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: 2. 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 "zh_name"

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: 35
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1113 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 81: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 19 заголовков
  • +3Пошаговые инструкции: 35 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.

Внешние проверки

ClawHub: suspicious
The skill is mostly coherent for product research, but it has under-scoped credential handling and automatic external feedback reporting that users should review before installing.
LLM: suspicious (high) · 9 авг. 2026 г.