SKILLEMALL.ai

BD cue-capital-operations

Глубокое исследование сценариев «управление капиталом» с помощью R: полный ретроспективный анализ слияний и поглощений, обратного выкупа акций, опционов на акции и выделения бизнеса публичными компаниями, перекрестная проверка общедоступных данных из нескольких источников, глубокое изучение стратегических намерений и влияния на рынок, каждое заключение сопровождается ссылкой на источник для проверки. Охватывает временную шкалу событий управления капиталом, интерпретацию протоколов исследований, анализ обратного выкупа и дивидендов и другие ключевые аспекты, помогая руководству, инвестиционным банкирам и инвесторам объективно оценивать вклад операций с капиталом в рыночную капитализацию и предоставляя поддержку данных для будущих решений по обратному выкупу, дивидендам и слияниям.

машинный переводПоказать оригиналСкрыть оригинал«用 Cue 跑「资本运作」场景的深度研究:全量回溯上市公司的并购重组、股份回购、股权激励与分拆商机,多源公开数据交叉、深挖战略意图与市场影响…»

用 Cue 跑「资本运作」场景的深度研究:全量回溯上市公司的并购重组、股份回购、股权激励与分拆商机,多源公开数据交叉、深挖战略意图与市场影响,每个结论都带来源链接可回查。覆盖资本运作事件时间线、调研纪要解读、回购分红复盘等核心搭子,帮管理层、投行与投资者客观评价资本动作的市值贡献,并为未来回购、分红、并购决策提供数据支撑。

ClawHub Agent Skills автор: wangxiaoxu v1.0.1 MIT-0 2 файла тело ≈ 551 токенов Открыть источникclawhub.ai проанализирован 35 ч назад

Глубокое исследование сценариев «управление капиталом» с помощью R: полный ретроспективный анализ слияний и поглощений, обратного выкупа акций, опционов на…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
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: 2. 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 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 17
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 551 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
  • +2Инструкции на одном языке
  • +3Длина description 162 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 17 пунктов
  • +4Есть примеры (1 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: clean
This skill is a disclosed Cue research workflow for public capital-markets research, with expected network use, runner setup, API-key use, and credit consumption called out.
LLM: benign (high) · VirusTotal: · 11 авг. 2026 г.