SKILLEMALL.ai
GitHub ↗ EN Войти

BD linkfox-keepa-product-request

Получает подробную информацию о товарах Amazon по ASIN, включая цену, заголовок, основное изображение, дату размещения, материал, вес, месячные продажи варианта и данные о продажах за последние 12 месяцев. Активируется, когда пользователь запрашивает сведения о товарах Amazon, запрос по ASIN, цену товара, историю рейтинга продаж, тенденции месячных продаж, размеры товара, комиссии FBA, спецификации продукта, пакетный запрос ASIN, Keepa, сведения о продукте, поиск сведений по ASIN, данные о месячных продажах, информацию о ценах, спецификации продукта, комиссии FBA, пакетный поиск ASIN. Даже если пользователь явно не упоминает "Keepa", этот навык должен активироваться, если его запрос включает получение структурированных данных о товарах по одному или нескольким ASIN Amazon.

машинный переводПоказать оригиналСкрыть оригинал«通过ASIN获取亚马逊商品详情，包括价格、标题、主图、上架日期、材质、重量、变体月销量及近12个月的月销数据。当用户查询亚马逊商品详情、AS…»

通过ASIN获取亚马逊商品详情，包括价格、标题、主图、上架日期、材质、重量、变体月销量及近12个月的月销数据。当用户查询亚马逊商品详情、ASIN查询、商品定价、销售排名历史、月销量趋势、商品尺寸、FBA费用、产品规格、批量ASIN查询、Keepa product details, ASIN detail lookup, monthly sales data, pricing info, product specifications, FBA fees, batch ASIN query时触发此技能。即使用户未明确提及"Keepa"，只要其需求涉及获取一个或多个亚马逊ASIN的结构化商品数据，也应触发此技能。

ClawHub Agent Skills автор: linkfox-ai v1.0.8 MIT-0 6 файлов тело ≈ 1 971 токенов Открыть источникclawhub.ai↗ проанализирован 33 ч назад

Получает подробную информацию о товарах Amazon по ASIN, включая цену, заголовок, основное изображение, дату размещения, материал, вес, месячные продажи…

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

ПроцедураРазработкаДанные и аналитикаТорговлятип 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%
94
Качество 40%
73
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

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 · 6

✓ Критических и высоких находок нет

Средние и низкие: 6
  • низкая Секреты в коде secret-high-entropy-token references/api.md:68
    Строка, похожая на токен (может быть id, хеш или секрет)
    | mont…Ago | integer | 10月前月销量 |
  • низкая Секреты в коде secret-high-entropy-token references/api.md:69
    Строка, похожая на токен (может быть id, хеш или секрет)
    | mont…Ago | integer | 11月前月销量 |
  • низкая Секреты в коде secret-high-entropy-token references/api.md:70
    Строка, похожая на токен (может быть id, хеш или секрет)
    | mont…Ago | integer | 12月前月销量 |
  • низкая Опасные команды cmd-shell-rc references/onboarding.md:13
    Запись в файл автозагрузки shell (.bashrc / .zshrc / .profile) (в кавычках — упоминание, а не команда)
    - macOS zsh：`echo 'export LINKFOX_AGENT_API_KEY="<key>"' >> ~/.zshrc && source ~/.zshrc`
    в кавычках
  • низкая Опасные команды cmd-shell-rc references/onboarding.md:14
    Запись в файл автозагрузки shell (.bashrc / .zshrc / .profile) (определение детектора / чёрного списка)
    - Linux bash：`echo 'export LINKFOX_AGENT_API_KEY="<key>"' >> ~/.bashrc && source ~/.bashrc`
    детектор
  • низкая Секреты в коде secret-high-entropy-token scripts/onboarding.py:49
    Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
    or "eyJh…iJ9")
    в кавычках

Просканировано файлов: 6. 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 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: 37
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1971 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Ответ описан самодельной разметкой (7 тегов): типизированный вызов надёжнее

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
  • -31 из 2 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 307 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 37 пунктов
  • +4Есть примеры (5 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

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

Внешние проверки

ClawHub: suspicious
This ASIN lookup skill is mostly coherent, but it also includes account login, API-key generation, payment flows, persistent response storage, and automatic feedback reporting that users should review before installing.
LLM: suspicious (high) · 14 авг. 2026 г.