SKILLEMALL.ai
GitHub ↗ EN Войти

BC rice-tracker

Система управления закупками риса v2.0. Записывает поэтапные закупки каждого клиента, отслеживание потребления, отслеживание задолженности и управление сверкой. Поддерживает поэтапные закупки, отслеживание задолженности, корпоративные/частные переводы, напоминания о сверке в конце месяца. Применимо для: продавцов риса для отслеживания запасов клиентов и дебиторской задолженности, организаторов групповых покупок для управления запасами, управления продуктами питания для семьи. Ключевые слова: рис, управление запасами, напоминание о закупках, отслеживание задолженности, управление сверкой, поэтапные закупки

машинный переводПоказать оригиналСкрыть оригинал«大米采购管理系统 v2.0。记录每个客户的分批进货、消耗追踪、欠款追踪与对账管理。 支持分批进货、欠款追踪、对公/对私转账、月底对账提醒。…»

大米采购管理系统 v2.0。记录每个客户的分批进货、消耗追踪、欠款追踪与对账管理。 支持分批进货、欠款追踪、对公/对私转账、月底对账提醒。 适用于：大米卖家追踪客户库存与应收款、团购组织者管理库存、家庭食材管理。 Keywords: 大米, 库存管理, 采购提醒, 欠款追踪, 对账管理, 分批进货

ClawHub Agent Skills автор: SwiftUIs v1.0.3 MIT-0 9 файлов · 2 скрипта тело ≈ 577 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Система управления закупками риса v2.0. Записывает поэтапные закупки каждого клиента, отслеживание потребления, отслеживание задолженности и управление…

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

ПроцедураЗакупки и снабжениеИнфраструктуратип 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
84/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
64
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 · 2

✓ Критических и высоких находок нет

Средние и низкие: 2
  • низкая Опасные команды cmd-background-process scripts/start.sh:33
    Запуск фонового / автозапускаемого процесса
    nohup python3 app.py > app.log 2>&1 &
  • низкая Опасные команды cmd-background-process scripts/start.sh:40
    Запуск фонового / автозапускаемого процесса
    nohup gunicorn --bind $HOST:$PORT --workers 2 --threads 4 app:app > app.log 2>&1 &

Просканировано файлов: 9. 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 "homepage"

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: 28
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 577 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
  • -2Ссылки на localhost: у другого пользователя не заработает
  • -219 эмодзи в инструкциях: шум для модели
  • -34 из 6 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 149 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 28 пунктов
  • +4Есть примеры (5 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.

Внешние проверки

ClawHub: suspicious
This looks like a real rice inventory and receivables tracker, but it can expose customer and payment records on the local network without login protection.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.