SKILLEMALL.ai
GitHub ↗ EN Войти

BC data-analysis-for-feishu

📊 Мощный навык визуализации данных на основе ECharts, оптимизированный для экосистемы Feishu (Lark). Поддерживает 12+ типов диаграмм, 6+ источников данных (Excel/CSV/Bitable/Sheet/Markdown), автоматические рекомендации по диаграммам, автоматические отчеты по анализу, создает высококачественные PNG-диаграммы, идеально отображаемые в Feishu. Конфигурация не требуется, работает сразу из коробки.

машинный переводПоказать оригиналСкрыть оригинал«📊 Powerful ECharts-based data visualization skill optimized for Feish…»

📊 Powerful ECharts-based data visualization skill optimized for Feishu (Lark) ecosystem. Supports 12+ chart types, 6+ data sources (Excel/CSV/Bitable/Sheet/Markdown), auto chart recommendation, auto analysis reports, generates high-definition PNG charts perfectly displayed in Feishu. No configuration required, works out of the box.

ClawHub Agent Skills автор: zane iris zhou v1.0.0 MIT-0 13 файлов тело ≈ 2 694 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

📊 Мощный навык визуализации данных на основе ECharts, оптимизированный для экосистемы Feishu (Lark).

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, повторный запуск

АнализаторДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
C
59/100
Есть пробелы
Результат и критерий готовности вес 14
0
Когда включается вес 12
20
Повторный запуск вес 4
30
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Опасные команды cmd-privilege scripts/generate_echarts_screenshot.py:22
    Повышение привилегий / права на запись для всех (определение детектора / чёрного списка; строковый литерал в коде, не выполняется)
    args=['--no-sandbox', '--disable-setuid-sandbox', '--disable-dev-shm-usage', '--force-device-scale-factor=2', '--high-dpi-support=1']
    детекторстрока в коде

Просканировано файлов: 13. 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 59/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 6, без проверки текущего состояния
  • 55Ошибки и развилки. Развилок: 1
  • 60Инструменты и файлы. Используются инструменты (git, python), но во frontmatter они не объявлены
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 41
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2694 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • 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

  • +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
  • -233 эмодзи в инструкциях: шум для модели
  • -42 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • -32 из 5 скриптов не упомянуты в SKILL.md
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 334 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 35 заголовков
  • +3Пошаговые инструкции: 41 пунктов
  • +4Есть примеры (11 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.

Внешние проверки

ClawHub: suspicious
The skill appears to generate Feishu-ready charts as advertised, but it under-discloses that user data is rendered with a headless browser loading third-party ECharts code from a CDN.
LLM: suspicious (medium) · 28 мая 2026 г.