SKILLEMALL.ai
GitHub ↗ EN Войти

BC analyzing-attendance-record-zhzh

Анализирует еженедельные записи посещаемости сотрудников филиала Zhuihui и генерирует отчет о посещаемости в формате docx. Одновременно выводит файл xlsx в качестве подробного дополнения.

машинный переводПоказать оригиналСкрыть оригинал«Analyze the weekly attendance records of employees at Zhuihui Branch a…»

Analyze the weekly attendance records of employees at Zhuihui Branch and generate an attendance report in docx format. At the same time, output an xlsx file as a detailed supplement.

ClawHub Agent Skills автор: wang2y v1.0.0 MIT-0 5 файлов тело ≈ 1 329 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Анализирует еженедельные записи посещаемости сотрудников филиала Zhuihui и генерирует отчет о посещаемости в формате docx.

Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, повторный запуск

АнализаторWordExcelДанные и аналитикаИнфраструктуратип 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
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
56/100
Есть пробелы
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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 56/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 4, без проверки текущего состояния
  • 50Шаги. Шагов: 2
  • 55Ошибки и развилки. Развилок: 1
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1329 токенов

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)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • -31 из 1 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 182 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
This skill is a purpose-aligned attendance-reporting helper, but its generated files can contain sensitive employee attendance details.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.