SKILLEMALL.ai

BC finance-exp-distill

Навык извлечения опыта в финансовой отрасли — фокусируется на лучших практиках и методологиях в таких областях, как банковское дело, страхование, ценные бумаги, управление инвестициями. Охватывает повышение ключевых компетенций, таких как управление рисками, обслуживание клиентов, цифровая трансформация, управление соответствием требованиям. Используется, когда пользователь занимается финансовой деятельностью, просит изучить опыт финансовой отрасли, извлечь финансовую методологию. Ключевые компетенции: управление рисками, обслуживание клиентов, управление соответствием требованиям, цифровая операционная деятельность.

машинный переводПоказать оригиналСкрыть оригинал«金融行业经验萃取Skill - 专注于银行、保险、证券、投资管理等金融领域的最佳实践和方法论。涵盖风险管理、客户服务、数字化转型、合规管理等…»

金融行业经验萃取Skill - 专注于银行、保险、证券、投资管理等金融领域的最佳实践和方法论。涵盖风险管理、客户服务、数字化转型、合规管理等核心能力提升。当用户从事金融业务、要求学习金融行业经验、提炼金融方法论时使用。核心能力:风险管控、客户服务、合规管理、数字化运营。

ClawHub Agent Skills автор: smxtx v1.0.0 MIT-0 3 файла тело ≈ 2 964 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Навык извлечения опыта в финансовой отрасли — фокусируется на лучших практиках и методологиях в таких областях, как банковское дело, страхование, ценные…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
67
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 0. 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 "auto_update"
  • заметка frontmatter-key неизвестное поле фронтматтера "update_keywords"
  • заметка frontmatter-key неизвестное поле фронтматтера "update_sources"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 26
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2964 токенов
  • 100Повторный запуск. Изменяющих операций нет

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
  • -228 эмодзи в инструкциях: шум для модели
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 135 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 32 заголовков
  • +3Пошаговые инструкции: 26 пунктов
  • +4Есть примеры (10 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 67.

Внешние проверки

ClawHub: clean
This is a text-only financial-industry knowledge skill with no executable code or hidden data access, though users should treat its financial content as general guidance rather than advice.
LLM: benign (high) · VirusTotal: · 16 июн. 2026 г.