SKILLEMALL.ai

AC patent-panorama-analysis

Автоматическая генерация отчета о панорамном анализе патентных технологий. После того как пользователь загрузит таблицу Excel с данными патентов (включая поля, такие как название, заявитель, дата подачи, правовой статус, патентное ведомство, количество цитирований) и таблицу Excel с техническим разбором, автоматически анализируются данные патентов и генерируется редактируемый HTML-отчет о панорамном анализе. Отчет включает 5 модулей: анализ обзора технологий, анализ ключевых технологических направлений, анализ конкурентов, анализ патентных рисков, рекомендации по стратегии патентования компании. Триггерные условия: автоматически срабатывает, когда пользователь упоминает такие ключевые слова, как "патентный анализ", "панорамный анализ технологий", "отчет о панорамном анализе патентов", "анализ стратегии патентования", "CMC патентный анализ", "анализ патентной конкуренции", "патентные риски", "FTO анализ", "технический разбор", "патентные тенденции". Также подходит для сценариев, когда пользователь загружает данные патентов в Excel и запрашивает генерацию аналитического отчета.

машинный переводПоказать оригиналСкрыть оригинал«专利技术全景分析报告自动生成。用户上传专利数据Excel表格(含标题、申请人、申请日、法律状态、受理局、被引次数等字段)和技术拆解Excel…»

专利技术全景分析报告自动生成。用户上传专利数据Excel表格(含标题、申请人、申请日、法律状态、受理局、被引次数等字段)和技术拆解Excel表格后,自动分析专利数据并生成可编辑的HTML全景分析报告。 报告包含5大模块:技术概况分析、重点技术分支分析、竞争对手分析、专利风险分析、企业专利布局建议。 触发条件:当用户提及"专利分析""技术全景分析""专利全景报告""专利布局分析""CMC专利分析""专利竞争分析""专利风险""FTO分析""技术分解""专利趋势"等关键词时自动触发。也适用于用户上传专利数据Excel并要求生成分析报告的场景。

ClawHub Agent Skills автор: yuanzhian-patsnap v1.0.0 MIT-0 6 файлов тело ≈ 937 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Автоматическая генерация отчета о панорамном анализе патентных технологий.

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

АнализаторДанные и аналитикаИИ и агентыТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
93/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
83
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: 6. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "copyright"

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: 35
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 937 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Ответ описан самодельной разметкой (3 тегов): типизированный вызов надёжнее

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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 5 примера фраз-триггеров в кавычках
  • +3Длина description 272 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 35 пунктов
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 83.

Внешние проверки

ClawHub: clean
This skill reads user-provided patent spreadsheets, analyzes them locally with a bundled Python script, and generates an editable HTML report, with no evidence of hidden persistence, exfiltration, or destructive behavior.
LLM: benign (high) · VirusTotal: · 13 авг. 2026 г.