SKILLEMALL.ai

BC vadeepresearch

Систематизированный навык глубокого исследования. Применим для интернет-исследований, анализа рынка, анализа конкурентов, отраслевых исследований, технических исследований, систематизации статей и открытых проектов, предварительных исследований перед написанием отчетов, сбора информации и глубокого анализа перед генерацией PPT/документов/планов. Используется, когда пользователь дает команды вроде "глубоко проанализировать xxx", "помоги мне проанализировать xxx", "быстро проанализировать xxx", "глубоко исследовать xxx", "подробно проанализировать xxx". Обязательно выводить файл в формате Markdown (.md) и предоставлять ссылку для скачивания или прямой доступ к файлу.

машинный переводПоказать оригиналСкрыть оригинал«系统化深度研究技能。适用于联网研究、市场分析、竞品分析、行业研究、技术调研、论文与开源项目梳理、报告写作前置调研、PPT/文档/方案生成前的…»

系统化深度研究技能。适用于联网研究、市场分析、竞品分析、行业研究、技术调研、论文与开源项目梳理、报告写作前置调研、PPT/文档/方案生成前的信息搜集与深度分析。当用户提出深度分析xxx、帮我分析xxx、快速分析xxx、深度研究xxx、详细分析xxx等话术时使用该 skills。必须输出 Markdown(.md)文件,并提供下载地址或可直接打开的文件入口。

ClawHub Agent Skills автор: Va-AIS v1.2.0 MIT-0 9 файлов тело ≈ 3 771 токенов Открыть источникclawhub.ai проанализирован 27 ч назад

Систематизированный навык глубокого исследования.

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

ПроцедураGitHubДанные и аналитикаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
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: 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")

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: 134
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3771 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 13. 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
  • -44 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +2Инструкции на одном языке
  • +3Длина description 179 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 134 пунктов
  • +4Есть примеры (12 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: clean
This is a transparent research-report skill that may over-activate on broad analysis prompts but does not show hidden, destructive, persistent, or credential-seeking behavior.
LLM: benign (high) · VirusTotal: · 27 июл. 2026 г.