BD helian-health-assistant
Умный помощник по записи на медосмотр от 禾连健康 — с помощью многошагового диалога направляет пользователя через весь процесс записи на медосмотр, поддерживает развертывание на платформах智能体, таких как OpenClaw, Qoder, и может использоваться через роботов в WeChat, DingTalk, Feishu и других мессенджерах. Сценарии активации: - Пользователь говорит "Хочу проконсультироваться по записи на медосмотр", "Запись на медосмотр", "Купить пакет услуг медосмотра" - Пользователь говорит "Узнать ближайшие больницы, где можно записаться на медосмотр", "Запиши меня на медосмотр" - Пользователь говорит "Хочу пройти медосмотр", "Как записаться на медосмотр", "Какие ближайшие больницы для медосмотра" - Пользователь выражает любое намерение, связанное с записью, покупкой или запросом медосмотра Основной рабочий процесс: получение местоположения → поиск больниц (включая филиалы) → список пакетов услуг (включая детали, доступные слоты и временные интервалы) → информация о пациенте и вход в систему → проверка перед оформлением заказа → создание записи на медосмотр → создание заказа
машинный переводПоказать оригиналСкрыть оригинал«禾连健康体检预约智能助手 - 通过多轮对话引导用户完成完整的体检预约全流程，支持部署到 OpenClaw、Qoder 等智能体平台，可通过微…»
禾连健康体检预约智能助手 - 通过多轮对话引导用户完成完整的体检预约全流程，支持部署到 OpenClaw、Qoder 等智能体平台，可通过微信、钉钉、飞书等终端机器人交互使用。 触发场景： - 用户说"我想咨询体检预约"、"体检预约"、"购买体检套餐" - 用户说"查询附近可以预约体检的医院"、"帮我约个体检" - 用户说"我想做个体检"、"体检怎么预约"、"附近有哪些体检医院" - 用户表达任何体检相关的预约、购买、查询意图 核心工作流：位置获取→查询医院（含院区）→套餐列表（含详情、号源与时间段）→就诊人信息与登录→下单前校验→生成预约单→生成订单
Умный помощник по записи на медосмотр от 禾连健康 — с помощью многошагового диалога направляет пользователя через весь процесс записи на медосмотр, поддерживает…
Как процесс D 42/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- 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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - предупреждение
body-longтело SKILL.md ≈ 5775 токенов (рекомендуется < 5000); вынесите детали в references/
Процессный рейтинг: все десять параметров 42/100
- 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
- 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
- 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
- 70Стоимость исполнения. Тело инструкции 5775 токенов
- 100Шаги. Шагов: 70
- 100Согласованность. Имя и обязательные поля на месте
- low Разделов верхнего уровня: 11. 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
- -31 из 4 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 7 примера фраз-триггеров в кавычках
- +3Длина description 279 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 29 заголовков
- +3Пошаговые инструкции: 70 пунктов
- +4Есть примеры (42 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.