SKILLEMALL.ai

AC stock-tenbook-analysis

Метод всестороннего анализа акций A-shares v2.0. Многомерная структура анализа, основанная на десяти классических инвестиционных книгах, автоматически классифицирует (тип A/B/C/D) и выбирает соответствующий путь анализа. Используется для: (1) автоматического запуска всестороннего анализа, когда пользователь отправляет название + код акции (2) проведения строгого ретроспективного анализа по временной шкале, когда пользователь указывает дату окончания (3) анализа рыночных котировок в реальном времени и рекомендаций по операциям. Триггеры: код акции, название акции, анализ A-shares, анализ десяти книг, ретроспективный анализ. Примеры: "福耀玻璃600660", "中际旭创300308 截止日2024年10月8号", "新易盛300502 回测".

машинный переводПоказать оригиналСкрыть оригинал«A股个股十书全景分析法 v2.0。基于十本经典投资书籍的多维度分析框架,自动分类(A/B/C/D型)后选择对应分析路径。用于:(1) 用户发…»

A股个股十书全景分析法 v2.0。基于十本经典投资书籍的多维度分析框架,自动分类(A/B/C/D型)后选择对应分析路径。用于:(1) 用户发送股票名字+代码时自动触发全景分析 (2) 用户指定截止日时进行严格时间线回测 (3) 实时行情分析和操作建议。触发词:股票代码、股票名称、A股分析、十书分析、回测分析。示例:"福耀玻璃600660"、"中际旭创300308 截止日2024年10月8号"、"新易盛300502 回测"。

ClawHub Agent Skills автор: 钱道 v2.0.0 MIT-0 5 файлов тело ≈ 580 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Метод всестороннего анализа акций A-shares v2.0. Многомерная структура анализа, основанная на десяти классических инвестиционных книгах, автоматически…

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

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
91/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
77
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: 5. 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: 39
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 580 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 213 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 39 пунктов
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 77.

Внешние проверки

ClawHub: clean
This is a disclosed stock-analysis instruction skill with external market-data lookups, not code that installs, persists, steals data, or changes accounts.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.