SKILLEMALL.ai

BD local-industrial-fund-analysis-writer

Эксперт по написанию аналитических статей об инвестициях в местные промышленные фонды. Ориентирован на создание контента для профессиональных публичных аккаунтов, производит три типа контента: еженедельный обзор инвестиций в промышленность, анализ кейсов инвестиций в местную промышленность, профессиональные статьи об инвестициях в промышленность. Аудитория — специалисты по привлечению инвестиций в местные отрасли, государственные управляющие фондами / GP, инвестиционные комитеты и другие профессиональные читатели, ориентированные на профессиональные публичные аккаунты (например, «Внутренняя информация по привлечению инвестиций» / «Qingke·Investment Circle» / «Research Center of Fund of Funds») с глубоким уровнем. Внутренняя профессиональная 6-шкала + пятиуровневый анализ (с акцентом на правительственный уровень) + написание без следов ИИ. Самодостаточен, не вызывает внешних экспертов, не зависит от их кода/конфигурации.

машинный переводПоказать оригиналСкрыть оригинал«地方产业基金投资分析写作专家。面向专业公众号内容生产,产出三类内容:产业投资观察周报、地方产业投资案例分析、产业投资专业文章。受众为地方产业…»

地方产业基金投资分析写作专家。面向专业公众号内容生产,产出三类内容:产业投资观察周报、地方产业投资案例分析、产业投资专业文章。受众为地方产业招商人员、政府引导基金/国资GP、投委等专业读者,对标专业公众号(招商引资内参/清科·投资界/母基金研究中心等)深度。内化专业6标尺 + 五层分析(政府层为重点)+ 去AI味写作。自包含,不调用外部专家,不依赖其代码/配置。

ClawHub Agent Skills автор: perrykono-debug v1.1.0 MIT-0 2 файла тело ≈ 1 079 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Эксперт по написанию аналитических статей об инвестициях в местные промышленные фонды.

Как процесс D 46/100 · 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
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
68
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
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 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 62
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1079 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

  • +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
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 182 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 62 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.

Внешние проверки

ClawHub: suspicious
The skill is mostly a coherent writing assistant, but its publication instructions conflict with its stated no-external-write boundary and could cause draft content to be sent to external document services without a clear confirmation gate.
LLM: suspicious (medium) · VirusTotal: · 5 сент. 2026 г.