SKILLEMALL.ai
GitHub ↗ EN Войти

CD Rankscale GEO Analytics

Получение и интерпретация аналитики Rankscale GEO (Generative Engine Optimization). Извлекает показатель видимости бренда, коэффициент цитирования, настроения и основные поисковые запросы ИИ.

машинный переводПоказать оригиналСкрыть оригинал«Fetch and interpret Rankscale GEO (Generative Engine Optimization) ana…»

Fetch and interpret Rankscale GEO (Generative Engine Optimization) analytics. Pulls brand visibility score, citation rate, sentiment, and top AI search terms.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 18 файлов тело ≈ 2 495 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Получение и интерпретация аналитики Rankscale GEO (Generative Engine Optimization).

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторДанные и аналитикаИсследованиятип 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
C
66/100
безопасность, качество, тесты
Безопасность 60%
65
Качество 40%
68
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
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

Чем это грозит

Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.

Утечка данных средняя серьёзность

Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.

Если установить

Инструкции или скрипты отправляют данные наружу: переменные окружения, ключи, содержимое файлов, историю чата. Вы можете не заметить этого в диалоге, потому что агент выполнит отправку как «часть задачи».

Автору

Если отправка не нужна для задачи, уберите её: каталоги помечают такие скиллы как подозрительные и снимают с выдачи. Если нужна, назовите адрес явно, объясните, что именно уходит, и дайте пользователю выключатель.

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 · 7

✓ Критических и высоких находок нет

Средние и низкие: 7
  • средняя Утечка данных net-credential-use API_ENDPOINT_CLARIFICATION.md:34
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $RANKSCALE_API_KEY" \
  • средняя Утечка данных net-credential-use docs/API_ENDPOINT_CLARIFICATION.md:46
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $RANKSCALE_API_KEY" \
  • средняя Утечка данных net-credential-use docs/API_ENDPOINT_CLARIFICATION.md:52
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $RANKSCALE_API_KEY" \
  • средняя Утечка данных net-credential-use references/api-integration.md:351
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $API_KEY" \
  • средняя Утечка данных net-credential-use references/api-integration.md:355
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $API_KEY" \
  • средняя Утечка данных net-credential-use references/api-integration.md:359
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $API_KEY" \
  • средняя Утечка данных net-credential-use references/api-integration.md:363
    Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
    curl -H "Authorization: Bearer $API_KEY" \

Просканировано файлов: 18. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 41/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (Rankscale GEO Analytics) не совпадает с папкой (rs-geo-analytics)
  • 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 16
  • 100Стоимость исполнения. Тело инструкции 2495 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)
  • +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 158 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 16 пунктов
  • +4Есть примеры (14 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (5 из 10)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 68.