SKILLEMALL.ai
GitHub ↗ EN Войти

BD duan-yongping-longterm

[Когда использовать] Когда пользователю нужно определить, стоит ли компания долгосрочных вложений; когда пользователь спрашивает «Можно ли держать эту компанию 10 лет?»; при анализе долгосрочных инвестиций; при применении 10-летнего теста Дуань Юнпина

машинный переводПоказать оригиналСкрыть оригинал«［何时使用］当用户需要判断公司是否值得长期持有时；当用户问"这家公司能持有 10 年吗"时；当进行长期投资分析时；当应用段永平 10 年测试…»

［何时使用］当用户需要判断公司是否值得长期持有时；当用户问"这家公司能持有 10 年吗"时；当进行长期投资分析时；当应用段永平 10 年测试时

ClawHub Agent Skills автор: lj22503 v2.0.0 MIT-0 5 файлов тело ≈ 326 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

[Когда использовать] Когда пользователю нужно определить, стоит ли компания долгосрочных вложений; когда пользователь спрашивает «Можно ли держать эту…

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

СправочникИнфраструктуратип 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
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
63
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

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: 5. 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 "created"
  • заметка frontmatter-key неизвестное поле фронтматтера "updated"
  • заметка frontmatter-key неизвестное поле фронтматтера "skill_type"
  • заметка frontmatter-key неизвестное поле фронтматтера "related_skills"

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 (duan-yongping-longterm) не совпадает с папкой (duan-longterm)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 29
  • 100Стоимость исполнения. Тело инструкции 326 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 71: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -31 из 1 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 29 пунктов
  • +4Есть примеры (6 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.

Внешние проверки

ClawHub: clean
The available artifacts appear coherent and purpose-aligned, with no scanner-backed or artifact-backed evidence of hidden, deceptive, or destructive behavior.
LLM: benign (medium) · VirusTotal: · 29 мая 2026 г.