SKILLEMALL.ai

AC x2strategy

ALAGENT X2Strategy: любой исследовательский ввод (PDF-статья, черновик Markdown, отчет DOCX, текстовые заметки или поиск по ключевым словам) → структурированная спецификация стратегии → исполняемый код Backtrader → бэктест → диагностический отчет. Две основные возможности: (1) paper2spec извлекает спецификации нескольких стратегий из любого документа с помощью 5-уровневого извлечения LLM, и (2) spec2code генерирует проверенный код Backtrader, запускает бэктесты и сравнивает с метриками статьи. Используйте этот навык, когда пользователь хочет проанализировать количественную статью, извлечь торговые стратегии, сгенерировать код стратегии, запустить бэктест, найти статьи или выполнить полный цикл от любого ввода до исполняемых результатов. Также срабатывает на: «посмотри на эту статью», «какие стратегии она использует», «реализуй эту стратегию», «найди статьи по импульсу», «преврати это в код» или любой запрос, касающийся количественных финансовых исследований → реализации. Даже если пользователь не упоминает «стратегию» явно — если он предоставляет финансовую статью или исследовательский документ, используйте этот навык.

машинный переводПоказать оригиналСкрыть оригинал«ALAGENT X2Strategy: any research input (PDF paper, Markdown draft, DOC…»

ALAGENT X2Strategy: any research input (PDF paper, Markdown draft, DOCX report, text notes, or keyword search) → structured strategy specification → executable Backtrader code → backtest → diagnosis report. Two core capabilities: (1) paper2spec extracts multi-strategy specs from any document via 5-layer LLM extraction, and (2) spec2code generates validated Backtrader code, runs backtests, and compares against paper metrics. Use this skill whenever the user wants to analyze a quant paper, extract trading strategies, generate strategy code, run a backtest, search for papers, or go end-to-end from any input to executable results. Also triggers on: "look at this paper", "what strategies does this use", "implement this strategy", "search for momentum papers", "turn this into code", or any request about quantitative finance research → implementation. Even if the user doesn't mention "strategy" explicitly — if they provide a finance paper or research document, use this skill.

ClawHub Agent Skills автор: ALAGENT-HKU v0.1.1 MIT-0 59 файлов · 1 скрипт тело ≈ 2 804 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

ALAGENT X2Strategy: любой исследовательский ввод (PDF-статья, черновик Markdown, отчет DOCX, текстовые заметки или поиск по ключевым словам) →…

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу

АнализаторWordРазработкаДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
95
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
C
62/100
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

Как улучшить

    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 · 5

    ✓ Критических и высоких находок нет

    Средние и низкие: 5
    • низкая Утечка данных read-dotenv README_CN.md:147
      Чтение файла .env
      cp .env.example .env          # 填入 API Key(推荐 DEEPSEEK_API_KEY)
    • низкая Утечка данных read-dotenv README_CN.md:322
      Чтение файла .env
      cp .env.example .env  # 填入 API Key
    • низкая Утечка данных read-dotenv README.md:147
      Чтение файла .env
      cp .env.example .env          # add your API key (DEEPSEEK_API_KEY recommended)
    • низкая Утечка данных read-dotenv README.md:323
      Чтение файла .env
      cp .env.example .env  # add API key
    • низкая Опасные команды cmd-background-process scripts/run_full_tests.sh:6
      Запуск фонового / автозапускаемого процесса (комментарий в коде; тестовый файл / пример)
      #   nohup bash scripts/run_full_tests.sh &
      комментарийтестовый файл

    Просканировано файлов: 48. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 62/100

    • 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
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 31
    • 100Ошибки и развилки. Развилок: 3, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2804 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Разделов верхнего уровня: 10. 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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Длина description 983: рекомендуется 120–800 символов
    • +3Формат ответа не описан: модель каждый раз решает сама
    • -32 из 7 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 6 примера фраз-триггеров в кавычках
    • +4Структура: 18 заголовков
    • +3Пошаговые инструкции: 31 пунктов
    • +4Есть примеры (11 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (6 из 7)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: suspicious
    The skill has a coherent finance-research purpose, but it needs review because it can store credentials and documents, send document text to external LLM providers, run generated trading/backtest code, and includes test tooling that reads credentials from an unrelated hard-coded path.
    LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.