AC forecast-analysis-claw
Прогнозирует будущие продажи на основе исторических данных о продажах и генерирует рекомендации по пополнению запасов. Основные возможности: (1) Прогнозирование продаж — автоматически прогнозирует будущие продажи на основе таких моделей, как скользящее среднее, экспоненциальное сглаживание, Хольт-Винтерс, Prophet и др.; (2) Расчет пополнения — автоматически рассчитывает точку срабатывания и рекомендуемый объем пополнения с учетом параметров запасов; (3) Прогнозирование акций — прогнозирует пики продаж во время акций с учетом коэффициента влияния промоакций; (4) Предупреждение о дефиците — выявляет SKU с высоким риском и отправляет предупреждения. Триггерные сценарии: пользователь предоставляет исторические данные о продажах (Excel/CSV) и запрашивает прогнозирование продаж, расчет объема пополнения, подготовку к крупным акциям, анализ рисков запасов, создание плана пополнения и т. д. Также применим, когда пользователь упоминает ключевые слова, такие как "прогноз", "пополнение запасов", "прогноз продаж", "прогноз спроса", "прогноз запасов", "подготовка к крупным акциям", "сезонность", "исторические данные", "кривая продаж", "план пополнения" и т. д.
машинный переводПоказать оригиналСкрыть оригинал«根据历史销售数据预测未来销量并生成补货建议。核心能力：(1) 销量预测 - 基于移动平均、指数平滑、Holt-Winters、Prophet…»
根据历史销售数据预测未来销量并生成补货建议。核心能力：(1) 销量预测 - 基于移动平均、指数平滑、Holt-Winters、Prophet 等模型自动预测未来销量；(2) 补货计算 - 结合库存参数自动计算补货触发点和建议补货量；(3) 活动预测 - 叠加促销效应系数预测大促期间销量峰值；(4) 断货预警 - 识别高风险 SKU 并推送预警。 触发场景：用户提供历史销售数据（Excel/CSV），要求预测销量、计算补货量、备战大促、分析库存风险、生成补货计划等。也适用于用户提到"预测"、"补货"、"销量预测"、"需求预测"、"库存预测"、"大促备货"、"季节性"、"历史数据"、"销售曲线"、"备货计划"等关键词。
Прогнозирует будущие продажи на основе исторических данных о продажах и генерирует рекомендации по пополнению запасов.
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
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: 30
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 576 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
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 312 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 30 пунктов
- +4Есть примеры (7 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (3 из 3)
- +3Все 2 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.