SKILLEMALL.ai

BD cue-credit-diligence

Глубокое исследование сценария «Кредитная комплексная проверка» с использованием Cue: всесторонний анализ основных данных компании (промышленность, акционерный капитал, финансы и операции), перекрестная проверка данных из нескольких источников, выводы с указанием источника. Охватывает ключевые аспекты, такие как комплексный портрет компании, предварительная комплексная проверка корпоративных кредитов, помощник по финансовой комплексной проверке, первичный отбор предварительно проверенных компаний и т. д., автоматически заполняя пробелы в общедоступной информации, создавая предварительные отчеты для первичного рассмотрения с цепочкой доказательств, поддерживая кредитный риск, финансирование цепочек поставок и поиск возможностей для инвестиций в облигации.

машинный переводПоказать оригиналСкрыть оригинал«用 Cue 跑「信贷尽调」场景的深度研究:穿透企业的工商、股权、财务与经营全维基本面,多源公开数据交叉、结论带来源。覆盖企业全景画像、对公授…»

用 Cue 跑「信贷尽调」场景的深度研究:穿透企业的工商、股权、财务与经营全维基本面,多源公开数据交叉、结论带来源。覆盖企业全景画像、对公授信预尽调、财务尽调助手、预尽调企业初筛等核心搭子,自动补全公开披露盲区,产出可上初审会、带证据链的预尽调底稿,支持信贷风控、供应链金融与产业债机会挖掘。

ClawHub Agent Skills автор: wangxiaoxu v1.0.1 MIT-0 2 файла тело ≈ 541 токенов Открыть источникclawhub.ai проанализирован 30 ч назад

Глубокое исследование сценария «Кредитная комплексная проверка» с использованием Cue: всесторонний анализ основных данных компании (промышленность…

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: 16
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 541 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 146 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 16 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 credit-diligence research helper that uses an external runner and Cue credits with user confirmation.
LLM: benign (medium) · VirusTotal: · 11 авг. 2026 г.