SKILLEMALL.ai
GitHub ↗ EN Войти

CB segment-audience

Создать сегменты аудитории в CRM, email или рекламных платформах с проверкой согласия, с подтверждением. «создать сегмент потерянных клиентов»

машинный переводПоказать оригиналСкрыть оригинал«Build audience segments in CRM, email or ad platforms with consent che…»

Build audience segments in CRM, email or ad platforms with consent checks, approval-gated. "create a segment of lapsed customers"

indranilbanerjee/digital-marketing-pro Claude Code автор: indranilbanerjee 1 файл тело ≈ 3 543 токенов Открыть источникgithub.com↗ проанализирован 10 ч назад

Создать сегменты аудитории в CRM, email или рекламных платформах с проверкой согласия, с подтверждением.

Как процесс B 72/100 · Почти готов — слабые места: когда включается, повторный запуск

ГенераторМаркетингтип и темы размечены автоматически по тексту скилла
Запускается в: 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) OpenClaw Goose OpenCode
JSON
Технический рейтинг
C
88/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
B
72/100
Почти готов
Когда включается вес 12
20
Повторный запуск вес 4
30
Инструменты и файлы вес 18
60
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 Секреты в коде secret-high-entropy-token SKILL.md:33
    Строка, похожая на токен (может быть id, хеш или секрет) (определение детектора / чёрного списка)
    - **Segment name**: A descriptive, standardized name following the brand's naming conventions — e.g., "High…90d" or "MQL-SaaS-Enterprise-US"
    детектор

Просканировано файлов: 1. 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 72/100

  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 20, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Шаги. Шагов: 46
  • 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3543 токенов
  • 100Отчётность по ходу. Скилл сообщает о ходе работы

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)
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 129 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 7 заголовков
  • +3Пошаговые инструкции: 46 пунктов
  • +3Формат ответа описан явно

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.