SKILLEMALL.ai

AD feishu-accounting

Полный пакет навыков системы учета Feishu Multi-dimensional Table. Включает два шага: 1) Запустите feishu-accounting-setup, чтобы помочь пользователю создать приложение Feishu, настроить многомерные таблицы и получить учетные записи; 2) Используйте record_bill.py для ежедневного учета (поддерживает локальное хранение + синхронизацию с многомерными таблицами Feishu). **Используйте постоянно действующий Tenant Token для синхронной работы. Режим одной таблицы: все записи записываются в таблицу деталей, различия между расходами и доходами определяются по полю «Тип».**

машинный переводПоказать оригиналСкрыть оригинал«飞书多维表格记账系统完整技能包。包含两步:1)运行 feishu-accounting-setup 引导用户完成飞书应用创建、多维表格搭建、…»

飞书多维表格记账系统完整技能包。包含两步:1)运行 feishu-accounting-setup 引导用户完成飞书应用创建、多维表格搭建、凭证获取;2)使用 record_bill.py 进行日常记账(支持本地存储 + 飞书多维表格同步)。**同步使用永久有效的 Tenant Token。单表模式:所有记录写入明细表,通过「类型」字段区分支出和收入。**

ClawHub Agent Skills автор: Naeem v2.1.0 MIT-0 10 файлов тело ≈ 1 567 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Полный пакет навыков системы учета Feishu Multi-dimensional Table.

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураФинансыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
78
Прогон на моделях
не было
Процессный рейтинг
D
43/100
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: 10. 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 "homepage"

Процессный рейтинг: все десять параметров 43/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 15
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1567 токенов

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 179 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 21 заголовков
  • +3Пошаговые инструкции: 15 пунктов
  • +4Есть примеры (9 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 4)
  • +3Все 4 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 78.

Внешние проверки

ClawHub: suspicious
This Feishu bookkeeping skill matches its accounting purpose, but it needs Review because it handles long-lived credentials, remote financial records, and deletion authority with weak safeguards.
LLM: suspicious (high) · 2 июн. 2026 г.