SKILLEMALL.ai

BC risk-sentiment-scanner

Сканирование корпоративных репутационных и кредитных рисков. При предоставлении пользователем списка названий компаний автоматически собирает последние общедоступные сведения о каждой компании (новости, объявления, регуляторная информация) и выводит структурированный отчет о кредитных рисках с использованием модели оценки рисков. Сценарии запуска: (1) пользователь говорит "сканировать риски", "анализ репутации", "рейтинг кредитных рисков"; (2) пользователь предоставляет список компаний для пакетной оценки; (3) пользователь загружает CSV/TXT файл с названиями компаний; (4) автоматический запуск при напоминании о регулярной проверке. Источники данных: общедоступный поиск в Интернете (Sina Finance, Securities Times, 21st Century Business Herald, Tencent News и т. д.).

машинный переводПоказать оригиналСкрыть оригинал«企业舆情信用风险扫描。当用户提供企业名称列表时,自动抓取各企业最新公开舆情(新闻、公告、监管信息),结合风险评分模型输出结构化信用风险报告。…»

企业舆情信用风险扫描。当用户提供企业名称列表时,自动抓取各企业最新公开舆情(新闻、公告、监管信息),结合风险评分模型输出结构化信用风险报告。触发场景:(1)用户说"扫描风险"、"舆情分析"、"信用风险评级";(2)用户提供了一份企业名单需要批量评估;(3)用户上传含企业名称的CSV/TXT文件;(4)定期复检提醒时自动触发。数据来源:公开网络搜索(新浪财经、证券时报、21财经、腾讯新闻等)。

ClawHub Agent Skills автор: yukirang v1.0.0 MIT-0 3 файла тело ≈ 644 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Сканирование корпоративных репутационных и кредитных рисков.

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

СправочникИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
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: 3. 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: 20
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 644 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
  • -31 из 1 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 197 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 20 пунктов
  • +4Есть примеры (6 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
This appears to be a legitimate public risk-scanning skill, but its executable helper can produce low-risk reports without fetching any news evidence.
LLM: suspicious (high) · VirusTotal: benign · 28 мая 2026 г.