AC outclaw-research
Глубоко исследуйте конкретного человека или организацию для B2B-коммуникаций. Использует все релевантные для коммуникаций инструменты из инвентаря пользователя (Leadbay/LeadClaw, LinkedIn, Twitter/X, веб-поиск, страницы компаний, подкасты, новости) и создает постоянный профиль в базе знаний OutClaw. Также полезен для поиска («найди мне перспективного лида в <компания>» через Leadbay). Активируется по запросам: 'исследовать <человек|компания>', 'найти <человек>', 'кто такой <человек>', 'найти email|linkedin|телефон|компанию <человек>', 'расскажи о <компания|человек>', 'обогатить <человек>', 'привести лида', 'найти кандидата'. Обычно вызывается оркестратором outclaw.
машинный переводПоказать оригиналСкрыть оригинал«Deeply research a specific person or organisation for B2B outreach. Pu…»
Deeply research a specific person or organisation for B2B outreach. Pulls from every outreach-relevant tool in the user's inventory (Leadbay/LeadClaw, LinkedIn, Twitter/X, web search, company pages, podcasts, news) and writes a persistent profile into the OutClaw knowledge base. Also useful for discovery ("find me a promising lead at <company>" via Leadbay). Triggers on: 'research <person|company>', 'look up <person>', 'who is <person>', 'find <person>'s email|linkedin|phone|company', 'tell me about <company|person>', 'enrich <person>', 'pull a lead', 'surface a prospect'. Normally invoked by the outclaw orchestrator.
Глубоко исследуйте конкретного человека или организацию для B2B-коммуникаций.
Как процесс C 64/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 64/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
- 70Стоимость исполнения. Тело инструкции 4921 токенов
- 85Шаги. Шагов: 58, расплывчатых формулировок: 1
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Ошибки и развилки. Развилок: 15, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Повторный запуск. Изменяющие операции проверяют текущее состояние
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Ответ описан самодельной разметкой (26 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 625 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 17 заголовков
- +3Пошаговые инструкции: 58 пунктов
- +4Есть примеры (11 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (1 из 1)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.