SKILLEMALL.ai

AD football-predict

Прогноз футбольных матчей. Автоматически собирает данные с m.nowscore.com (азиатский гандикап, тотал, европейские коэффициенты, основы, составы, угловые, голы в первом тайме), применяет 5-этапную количественную структуру анализа и выдает рекомендации по ставкам с прогнозируемыми счетами. Поддерживает лаконичный/визуальный двойной режим вывода, обзор после матча и автоматическую оптимизацию веса. Триггеры: (1) ID матча, например "2908467", или описание матча, (2) запросы на прогноз/анализ футбольных матчей (например, "предсказать", "проанализировать этот матч"), (3) результаты матчей для обзора после матча (например, "обзор", "результат был 2-1"), (4) анализ гандикапа/тотала.

машинный переводПоказать оригиналСкрыть оригинал«足球赛事预测神器。自动采集 titan007.com 数据(亚盘、大小球、欧赔、基本面、阵容、角球、半全场), 5 步量化分析框架,输出投注…»

足球赛事预测神器。自动采集 titan007.com 数据(亚盘、大小球、欧赔、基本面、阵容、角球、半全场), 5 步量化分析框架,输出投注建议与预测比分。Football match betting prediction system. Auto-scrapes data from m.nowscore.com (Asian handicap, over/under, European odds, fundamentals, lineups, corners, half-time goals), runs a 5-step quantitative analysis framework, and outputs betting recommendations with predicted scores. Supports concise/visual dual output modes, post-match review, and auto weight optimization. Triggers: (1) match ID like "2908467" or match description, (2) requests to predict/analyze football matches (e.g. "predict", "analyze this match"), (3) match results for post-match review (e.g. "review", "result was 2-1"), (4) handicap/over-under analysis.

ClawHub Agent Skills автор: owaio v1.0.0 MIT-0 6 файлов тело ≈ 482 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Прогноз футбольных матчей.

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

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
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: 6. 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 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 (football-predict) не совпадает с папкой (ballball)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 33
  • 100Стоимость исполнения. Тело инструкции 482 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 5 примера фраз-триггеров в кавычках
  • +3Длина description 707 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 33 пунктов
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: suspicious
This football betting skill is not malware, but it automatically stores betting predictions and self-updating model state in persistent local memory without clear opt-in or reset controls.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.