SKILLEMALL.ai

AC food-drug-cosmetics-ad-guard

Защита от недобросовестной рекламы продуктов питания, лекарств и косметики. Перед публикацией рекламных текстов, описаний продуктов, сценариев прямых эфиров, внешних публикаций для лекарств / медицинских изделий / БАДов / пищевых продуктов для специальных медицинских целей / косметики, в реальном времени блокирует 6 типов высокочастотных незаконных и неправомерных выражений, таких как гарантии эффективности, заявления об излечении, заявления о лечении заболеваний, незаконная публикация рецептурных препаратов, намеки на медицинское применение, абсолютные формулировки, и предоставляет рекомендации по исправлению с классификацией по уровню риска. Работает полностью локально, без сети, без динамического выполнения.

машинный переводПоказать оригиналСкрыть оригинал«食药化妆品广告合规护栏。在药品 / 医疗器械 / 保健食品 / 特殊医学用途配方食品 / 化妆品 的广告文案、产品详情、直播话术、对外宣传发…»

食药化妆品广告合规护栏。在药品 / 医疗器械 / 保健食品 / 特殊医学用途配方食品 / 化妆品 的广告文案、产品详情、直播话术、对外宣传发布前,实时拦截功效断言保证、治愈率有效率、疾病治疗宣称、处方药违规发布、医疗作用暗示、绝对化用语等 6 类高频违法违规表述,按风险分级给出整改建议。纯本地运行,零网络、零动态执行。

ClawHub Agent Skills автор: Wei Wu v1.0.0 MIT-0 9 файлов тело ≈ 734 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Защита от недобросовестной рекламы продуктов питания, лекарств и косметики.

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

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
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: 21
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 734 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 160 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 21 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: clean
This skill is a local compliance keyword checker for Chinese food, drug, medical device, health food, and cosmetics advertising text, with no evidence of network access, persistence, credential use, or system changes.
LLM: benign (high) · VirusTotal: · 9 авг. 2026 г.