SKILLEMALL.ai

BC monthly-report-zh

Автоматически преобразует содержание работы за месяц, ход проекта и личные достижения в четко структурированный ежемесячный отчет. Подходит для сценариев ежемесячного подведения итогов, отчетов о работе, отчетов о проектах и т. д. Поддерживает выделение ключевых моментов, количественную оценку ключевых показателей данных, анализ проблем и рисков, а также составление плана работы на следующий месяц. Подходит для сотрудников всех направлений, менеджеров проектов и руководителей команд при написании ежемесячных отчетов/отчетов о работе/итогов работы за месяц, значительно снижая затраты на подготовку и обеспечивая акцентирование внимания на содержании, четкую логику и профессиональный формат.

машинный переводПоказать оригиналСкрыть оригинал«将一个月的工作内容、项目进展与个人成果自动整理为结构清晰的月报文档, 适用于月度总结、月度汇报、工作月报等场景。支持突出核心亮点、量化关键…»

将一个月的工作内容、项目进展与个人成果自动整理为结构清晰的月报文档, 适用于月度总结、月度汇报、工作月报等场景。支持突出核心亮点、量化关键 数据指标、梳理问题与风险,并生成下月工作计划。适合各职能条线员工、 项目经理及团队负责人撰写月报/月度工作汇报/月度工作总结时使用, 显著降低整理成本,确保汇报内容重点突出、逻辑清晰、格式专业。

ClawHub Agent Skills автор: Olina1Ye v1.0.0 MIT-0 2 файла тело ≈ 160 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Автоматически преобразует содержание работы за месяц, ход проекта и личные достижения в четко структурированный ежемесячный отчет.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИнфраструктураДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 2. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 13
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 160 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 167 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 4 заголовков
  • +3Пошаговые инструкции: 13 пунктов
  • +4Есть примеры (0 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: suspicious
The skills are mostly transparent and job-related, but the bundled autoreview helper gives a nested reviewer full filesystem and command authority by default.
LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.