SKILLEMALL.ai

CD 产业链潜力股挖掘

Одно предложение: введите отраслевую цепочку (гуманоидные роботы, вычислительные мощности ИИ, твердотельные батареи, фотовольтаика...), и Cue автоматически нарисует структуру верхнего, среднего и нижнего уровней, найдет "скрытых чемпионов" с высокой долей рынка в каждом звене, но еще не получивших достаточного внимания рынка, и проанализирует, из какого звена исходит и в какое передается благоприятная конъюнктура, а также у кого наибольшая эластичность. Сценарная ценность для индивидуальных инвесторов: - Следить за трендами, не покупая на пике: когда появляется новая концепция (например, гуманоидные роботы), все гонятся за двумя лидерами. С помощью этого помощника вы за 5 минут получите карту всей цепочки и обнаружите, что именно небольшие компании, производящие гармонические редукторы и шестиосевые датчики силы, имеют реальную эластичность прибыли. - Поиск альтернатив лидерам: CATL слишком дорог, BYD не по карману. Введите "цепочка поставок новых энергетических транспортных средств", и Cue поможет вам найти акции в сегментах, таких как компоненты аккумуляторных батарей, управление температурным режимом, высоковольтные разъемы, с прочной фундаментальной базой и оценкой вдвое ниже, чем у лидеров. - Создание собственной исследовательской базы: каждый раз, когда вы инвестируете в новый сектор, сначала используйте этого помощника, чтобы получить панорамный обзор всей цепочки поставок и сформировать свою карту знаний. При долгосрочном накоплении ваше понимание различных цепочек поставок будет глубже, чем у 90% розничных инвесторов. Что выводится: Карта цепочки поставок (полная структура верхнего, среднего и нижнего уровней) → Логика передачи (откуда и куда идет благоприятная конъюнктура) → Список "скрытых чемпионов" (сегментные лидеры, высокая доля рынка, низкое внимание) → Оценка эластичности (эластичность прибыли, эластичность оценки, эластичность событий) → Предупреждения о рисках → Ссылки на объявления/источники для каждого вывода. Использование с другими помощниками: Найти "скрытого чемпиона" — это только первый шаг, для проверки того, стоит ли в него инвестировать, потребуются следующие помощники: анализ отдельных акций и оценка фундаментальных показателей, анализ финансовой отчетности публичных компаний, краткосрочные тенденции отдельных акций и технический анализ, панорамный портрет компании и т. д.

машинный переводПоказать оригиналСкрыть оригинал«一句话:输入一条产业链(人形机器人、AI 算力、固态电池、光伏……),Cue自动画出上中下游结构,找出每个环节里市占率高但还没被市场充分关注…»

一句话:输入一条产业链(人形机器人、AI 算力、固态电池、光伏……),Cue自动画出上中下游结构,找出每个环节里市占率高但还没被市场充分关注的"隐形冠军",分析景气从哪个环节来、往哪个环节传导、谁的弹性最大。 对个人投资者的场景化价值: - 追热点不追在高位:一个新概念出来(比如人形机器人),所有人都在追那两家龙头。你用本搭子 5分钟拿到整条链的图谱,发现做谐波减速器、六维力传感器的那几家小公司,才是真正有业绩弹性的。 - 找龙头替代品:宁德时代太贵、比亚迪买不起。输入"新能源车产业链",Cue帮你找到电池结构件、热管理、高压连接器这些细分环节里,基本面扎实、估值只有龙头一半的标的。 - 建立自己的研究框架:每次投一个新赛道,先用本搭子跑一遍产业链全景,形成自己的认知地图。长期积累下来,你对不同产业链的理解会比 90% 的散户深。 输出什么样: 产业链图谱(上中下游完整结构)→ 传导逻辑(景气从哪来、往哪去)→ 隐形冠军清单(细分龙头、高市占率、低关注度)→ 弹性评估(业绩弹性、估值弹性、事件弹性)→风险提示 → 每条结论附带公告/来源链接。 关联搭子使用: 找到一个"隐形冠军"只是第一步,验证它值不值得投还需要以下搭子配合:个股分析与基本面评估、上市公司财报分析、个股短线走势与技术面分析、企业全景画像等。

ClawHub Agent Skills автор: panting09266-ai v1.1.5 MIT-0 2 файла тело ≈ 2 510 токенов Открыть источникclawhub.ai↗ проанализирован 7 дн назад

Одно предложение: введите отраслевую цепочку (гуманоидные роботы, вычислительные мощности ИИ, твердотельные батареи, фотовольтаика...), и Cue автоматически…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураWordИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
80/100
безопасность, качество, тесты
Безопасность 60%
90
Качество 40%
65
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
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:254
    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:255
    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 name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • 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 "description_zh"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 40Согласованность. Имя во frontmatter (产业链潜力股挖掘) не совпадает с папкой (cue-supply-chain-mining)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 23
  • 100Стоимость исполнения. Тело инструкции 2510 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 18. 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 562 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 27 заголовков
  • +3Пошаговые инструкции: 23 пунктов
  • +4Есть примеры (10 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.

Внешние проверки

ClawHub: suspicious
The skill is mostly a disclosed Cue-based stock research workflow, but it requires default Cue share-link insertion and proactive referral/payment promotion that go beyond the core research task.
LLM: suspicious (high) · 15 сент. 2026 г.