SKILLEMALL.ai

CC cue-domestic-regulation

Исследование внутренних нормативных актов — Быстрый поиск оригиналов внутренних законов, нормативных актов и административных указов, обобщение законодательного контекста и ключевых моментов соответствия, охватывающих общедоступные данные из различных источников, таких как финансовое регулирование, регистрация бизнеса, судебные разбирательства и т. д. 【Для предприятий】 Самопроверка соответствия, карта отраслевого регулирования, основание для административного исполнения, новые правила; 【Для частных лиц】 Как рассчитать сверхурочные и компенсацию при увольнении, как платить ежегодный отпуск и социальное страхование, отказ в возврате залога за аренду, утечка личной информации, покупка поддельных товаров или банкротство предоплаченных карт, наследование и завещание — все это можно найти, указав закон, статью и действующий статус, с официальным источником для проверки. Триггеры: внутренние нормативные акты, исследование нормативных актов, поиск законов и нормативных актов, финансовое регулирование, административные указы, ключевые моменты соответствия, законодательный контекст, поиск внутренних нормативных актов, сверхурочные, компенсация при увольнении, трудовое законодательство, защита прав потребителей, защита личной информации, арендные споры, domestic regulation

машинный переводПоказать оригиналСкрыть оригинал«国内法规调研 — 快速检索国内法律法规与行政令原文,梳理立法背景与合规要点,覆盖金融监管、工商登记、司法涉诉等多源公开数据。 【企业用】合规…»

国内法规调研 — 快速检索国内法律法规与行政令原文,梳理立法背景与合规要点,覆盖金融监管、工商登记、司法涉诉等多源公开数据。 【企业用】合规自查、行业监管图谱、行政执法依据、新规速递;【个人用】加班费与离职补偿怎么算、年假和社保该怎么缴、租房押金不退、个人信息被泄露、买到假货或预付卡跑路、继承与遗嘱——都能查到依据哪部法、哪一条、现行是否有效,附官方出处可回查。 Triggers: 国内法规、法规调研、法律法规查询、金融监管、行政令、合规要点、立法背景、国内法规检索、加班费、离职补偿、劳动法、消费者权益、个人信息保护、租房纠纷、domestic regulation

ClawHub Agent Skills автор: panting09266-ai v1.0.6 MIT-0 2 файла тело ≈ 2 023 токенов Открыть источникclawhub.ai↗ проанализирован 8 дн назад

Исследование внутренних нормативных актов — Быстрый поиск оригиналов внутренних законов, нормативных актов и административных указов, обобщение…

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураWordИИ и агентыПоддержка клиентовтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
82/100
безопасность, качество, тесты
Безопасность 60%
90
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

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 · 2

✓ Критических и высоких находок нет

Средние и низкие: 2
  • средняя Утечка данных net-credential-use SKILL.md:221
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    echo "=== 2/3 Cue 服务 ===" && curl -sS --max-time 10 "https://cuecue.cn/api/health" -H "Authorization: Bearer $CUE_KEY"
  • средняя Утечка данных net-credential-use SKILL.md:222
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    echo "=== 3/3 搭子 ===" && curl -sS --max-time 10 "https://cuecue.cn/api/playbook" -H "Authorization: Bearer $CUE_KEY" | python3 -c "import sys,json;scenes=json.load(sys.stdin).get('data',{}).get('scene

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")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"

Процессный рейтинг: все десять параметров 51/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 27
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2023 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 16. 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

  • +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
  • +2Инструкции на одном языке
  • +3Длина description 286 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 22 заголовков
  • +3Пошаговые инструкции: 27 пунктов
  • +4Есть примеры (9 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: suspicious
The skill’s legal-research purpose is coherent, but installation and output handling depend on mutable external code and service-controlled content with weak credential guidance.
LLM: suspicious (high) · 15 сент. 2026 г.