SKILLEMALL.ai
GitHub ↗ EN Войти

AD compensation-benchmarking

АКТИВИРУЙТЕ при исследовании рыночных зарплат, разработке стратегий компенсации, создании зарплатных диапазонов, анализе справедливости оплаты труда, проведении обзоров зарплат, подготовке предложений по компенсации или обеспечении конкурентоспособной компенсации. Анализирует рыночные данные, создает структуры зарплат с фокусом на справедливость, выявляет разрывы в оплате труда и создает основанные на данных рекомендации по компенсации.

машинный переводПоказать оригиналСкрыть оригинал«TRIGGER THIS when researching market salaries, building compensation s…»

TRIGGER THIS when researching market salaries, building compensation strategies, creating salary bands, analyzing pay equity, conducting salary reviews, preparing compensation proposals, or ensuring competitive compensation. Analyzes market data, builds equity-focused salary structures, identifies pay gaps, and creates data-driven compensation recommendations.

w95/awesome-claude-corporate-skills Agent Skills автор: w95 MIT 1 файл тело ≈ 4 544 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

АКТИВИРУЙТЕ при исследовании рыночных зарплат, разработке стратегий компенсации, создании зарплатных диапазонов, анализе справедливости оплаты труда…

Как процесс D 48/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторПродажи и CRMБезопасностьтип 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
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
D
48/100
Процесс не доведён
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 48/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 12, без проверки текущего состояния
    • 40Результат и критерий готовности. Не сказано, что считать результатом
    • 60Шаги. Шагов: 242, расплывчатых формулировок: 4
    • 70Стоимость исполнения. Тело инструкции 4544 токенов
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Согласованность. Имя и обязательные поля на месте

    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
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 362 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 24 заголовков
    • +3Пошаговые инструкции: 242 пунктов
    • +4Есть примеры (5 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.