SKILLEMALL.ai
GitHub ↗ EN Войти

BB seller-profit-calculator

Кроссплатформенный калькулятор прибыли по заказам — загружайте экспорты заказов с любой e-commerce платформы или ERP, получайте мгновенные отчеты о прибыли по заказам, магазинам, SKU и платформам.

машинный переводПоказать оригиналСкрыть оригинал«Multi-platform Order Profit Calculator — upload order exports from any…»

Multi-platform Order Profit Calculator — upload order exports from any e-commerce platform or ERP, get instant profit reports by order, store, SKU, and platform.

ClawHub Agent Skills автор: YK-Global v1.0.2 MIT-0 6 файлов тело ≈ 1 551 токенов Открыть источникclawhub.ai↗ проанализирован 4 дн назад

Кроссплатформенный калькулятор прибыли по заказам — загружайте экспорты заказов с любой e-commerce платформы или ERP, получайте мгновенные отчеты о прибыли по…

Как процесс B 76/100 · Почти готов — слабые места: когда включается, отчётность по ходу

ПроцедураДанные и аналитикаТорговляИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
B
76/100
Почти готов
Отчётность по ходу вес 2
0
Когда включается вес 12
20
Результат и критерий готовности вес 14
60
три самых слабых из десяти параметров · все десять
Это копия скилла из другого каталога, в рейтинге считается основная: seller-profit-calculator (ClawHub)

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")
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"

Процессный рейтинг: все десять параметров 76/100

  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 60Ошибки и развилки. Развилок: 2
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 10
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1551 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 11. 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)
  • -5В тексте остались TODO / заглушки
  • -219 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 161 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 23 заголовков
  • +3Пошаговые инструкции: 10 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (12 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

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

Внешние проверки

ClawHub: clean
This skill is a local Excel order-profit calculator; it handles sensitive order data as part of its stated purpose, with privacy documentation gaps but no implemented hidden upload, persistence, or destructive behavior found.
LLM: benign (high) · 28 мая 2026 г.