SKILLEMALL.ai

BF restaurant-site-selection-roi

Инструмент количественной оценки и принятия решений для коммерческой недвижимости с точки зрения опытного аналитика данных. Интегрирует законы гравитации розничной торговли Reilly, модели местоположения Hotelling, индекс качества трафика TQI и логику ГИС, а также глубоко вызывает MCP карт (например, Tencent Maps MCP) для сбора данных о трафике, распределении конкурентов, уровне потребления и плотности бизнеса, выдавая основанные на данных рекомендации по выбору категории и профессиональный отчет Markdown для лиц, принимающих решения (включая визуализацию). Активируется, когда пользователь упоминает «оценка магазина», «расчет открытия магазина», «выбор места», «закон Рейли», «привлекательность торгового района», «рентабельность инвестиций», «Reilly», «Hotelling», «GIS», «точка разрыва», «качество трафика», «карта», «трафик», «распределение конкурентов», «уровень потребления», «плотность бизнеса», «выбор категории», «отчет о принятии решений о выборе места» и другие ключевые слова. На основе структурированных JSON (местоположение/трафик/конкуренция/финансы + необязательный сбор данных MCP карты) вызывает движок в scripts для вывода: точки разрыва торгового района и площади охвата, скорректированный эффективный трафик TQI, трехсценарный финансовый прогноз и доверительный интервал периода окупаемости, ранжирование рекомендаций по категориям на основе данных, а также рычаги для переговоров. Встроенные факторы «красного флага» (пожарная безопасность/вентиляция/право собственности) для принятия решения.

машинный переводПоказать оригиналСкрыть оригинал«资深商业地产数据分析师视角的餐饮商铺量化评估与决策工具。融合 Reilly 零售引力定律、 Hotelling 区位模型、TQI 客流质量指…»

资深商业地产数据分析师视角的餐饮商铺量化评估与决策工具。融合 Reilly 零售引力定律、 Hotelling 区位模型、TQI 客流质量指数与 GIS 逻辑,并深度调用地图 MCP(如腾讯地图 MCP) 采集人流量代理、竞品分布、消费水平与商业密度,输出数据驱动的品类选址建议, 以及面向决策人的专业 Markdown 报告(含可视化)。 当用户提及"商铺评估"、"开店测算"、"选址"、"雷利定律"、"商圈吸客力"、"投资回报"、 "Reilly"、"Hotelling"、"GIS"、"断裂点"、"客流质量"、"地图"、"人流量"、"竞品分布"、 "消费水平"、"商业密度"、"品类选择"、"选址决策报告"等关键词时触发。 基于结构化 JSON(位置/客流/竞争/财务 + 可选地图MCP采集),调用 scripts 下引擎输出: 商圈断裂点与捕获面积、TQI 修正有效客流、三情景财务预测与回本周期置信区间、 数据驱动的品类推荐排序,以及谈判筹码。内置消防/排烟/产权一票否决(Red Flag)。

ClawHub Agent Skills автор: MonsterDT v1.0.2 MIT-0 10 файлов тело ≈ 2 944 токенов Открыть источникclawhub.ai проанализирован 36 ч назад

Инструмент количественной оценки и принятия решений для коммерческой недвижимости с точки зрения опытного аналитика данных.

Как процесс F 31/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/map_mcp_guide.md, references/benchmarks.md, scripts/category_recommender.py

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
F
31/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/map_mcp_guide.md, references/benchmarks.md, scripts/category_recommender.py
Инструменты и файлы вес 18
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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: 0. 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")
  • предупреждение missing-ref ссылка на отсутствующий файл: references/map_mcp_guide.md
  • предупреждение missing-ref ссылка на отсутствующий файл: references/benchmarks.md
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/category_recommender.py
  • предупреждение missing-ref ссылка на отсутствующий файл: examples/decision_report_demo.md
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/roi_calculator.py
  • предупреждение missing-ref ссылка на отсутствующий файл: scripts/report_generator.py
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

Процессный рейтинг: все десять параметров 31/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/map_mcp_guide.md, references/benchmarks.md, scripts/category_recommender.py
  • 0Инструменты и файлы. Не хватает 6 файла(ов): references/map_mcp_guide.md, references/benchmarks.md, scripts/category_recommender.py
  • 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 (restaurant-site-selection-roi) не совпадает с папкой (location-site-selection)
  • 100Шаги. Шагов: 83
  • 100Стоимость исполнения. Тело инструкции 2944 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. 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

  • +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
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 453 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 29 заголовков
  • +3Пошаговые инструкции: 83 пунктов
  • +4Есть примеры (3 блоков кода)

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

Внешние проверки

ClawHub: clean
This skill is a disclosed restaurant site-selection analysis tool that keeps calculations local and requires explicit consent before sending location data to a map provider.
LLM: benign (high) · VirusTotal: · 20 июл. 2026 г.