Is diagnosis-health safe to install?

SaferSkills independently audited diagnosis-health (Agent Skill) and scored it 100/100 (green). The audit ran 55 deterministic rules across Security, Supply Chain, Maintenance, Transparency, and Community; it found 0 high-severity and 0 lower-severity findings. The full rule-by-rule trace and per-finding evidence are below. Free, methodology-open.

CategoryWeightCategory scoreContribution

Securityprompt, exec, net, exfil, eval

35%

100

35.0 pts

Supply chainhash, typosquat, maintainer, lockfile

20%

100

20.0 pts

Maintenancestaleness, pinning, CI

15%

100

15.0 pts

TransparencySKILL.md, perms, README

15%

100

15.0 pts

Communityinstalls, verify, response

15%

100

15.0 pts

Findings & checks · 0 flagged

Securityscore 100 · 0 findings

✓—All security checks passedNo findings in this category for the latest scan.pass

Supply chainscore 100 · 0 findings

✓—All supply chain checks passedNo findings in this category for the latest scan.pass

Maintenancescore 100 · 0 findings

✓—All maintenance checks passedNo findings in this category for the latest scan.pass

Transparencyscore 100 · 0 findings

✓—All transparency checks passedNo findings in this category for the latest scan.pass

Communityscore 100 · 0 findings

✓—All community checks passedNo findings in this category for the latest scan.pass

The primary manifest — the file an agent reads to learn what this artifact does.

pm-07-monitoring/skills/diagnosis-health/SKILL.md · 1 file

pm-07-monitoring/skills/diagnosis-health/SKILL.md11.1 KB · Markdown

name: diagnosis-health

description: 当需要诊断产品健康度时使用。产品健康度自动诊断，采集多维度数据并进行综合评分、趋势预测和瓶颈识别，输出健康度报告。关键词：健康度评分、产品诊断、多维度评分、健康检查、产品健康、健康评分、产品体检、状态好不好。

metadata:

module: "产品监控与迭代"

sub-module: "问题诊断"

type: "pipeline"

version: "2.1"

domain_tags: ["互联网", "SaaS", "通用"]

trigger_examples:

- "产品现在健不健康"

- "帮我做个体检"

- "产品状态怎么样"

interaction_mode: "ai_suggest_human_approve"

产品健康度自动诊断 🤖

核心原则

健康度是先行指标不是滞后报告：健康度评分的目的不是记录过去，而是预测未来——在用户感知到问题之前发现隐患
分层评分独立追踪：性能/可用性/满意度/业务四层独立评分，确保每层可独立定位和追踪
瓶颈决定资源投向：健康度诊断的终极目标是识别瓶颈，瓶颈在哪资源就投向哪

交互模式

🤖→👤 AI建议人类审批

输入

输入项	类型	必填	来源	说明
性能数据	JSON	是	APM/监控系统 → 性能数据	响应时间、吞吐量、资源使用率
可用性数据	JSON	是	监控系统 → 可用性数据	SLA 达成率、MTTR、MTBF
用户满意度	JSON	是	反馈系统 → 满意度数据	NPS、CSAT、反馈、投诉
业务指标	JSON	是	数据分析平台 → 业务指标	转化率、GMV、DAU/MAU、留存
竞品动态	JSON	○	output/pm-monitoring/diagnosis-competition/竞品报告	竞品健康度对比数据

执行步骤

Step 1: 数据采集标准化

目标：采集并标准化各维度数据

数据源映射：

维度	数据源	采集方式
性能	APM/监控系统	API/导出
可用性	监控系统/事件管理	API/导出
满意度	反馈系统/调研工具	API/导出
业务	数据分析平台	SQL/API

标准化处理：

时间对齐（统一到相同时间窗口）
指标归一化（0-100 或 0-1 范围）
异常值处理（剔除/平滑）
缺失值填补（插值/均值）

输出格式：

raw_data:
  collected_at: {ISO8601}
  time_window:
    start: {ISO8601}
    end: {ISO8601}
  dimensions:
    performance:
      metrics: {...}
    availability:
      metrics: {...}
    satisfaction:
      metrics: {...}
    business:
      metrics: {...}
  data_quality:
    completeness: {percentage}
    accuracy: {percentage}
    freshness: {minutes}

Step 2: 维度评分

目标：计算各健康维度得分

评分方法：

维度	指标权重	评分算法
性能	响应时间 40%, 吞吐 30%, 资源 30%	基准偏差评分
可用性	SLA 50%, MTTR 25%, 故障频率 25%	目标达成评分
满意度	NPS 40%, CSAT 30%, 投诉率 30%	行业对标评分
业务	转化率 30%, 留存 30%, GMV 40%	趋势环比评分

评分公式：

score = Σ(metric_weight × metric_score)
metric_score = min(100, (actual / baseline) × 100)

输出格式：

scores_by_dimension:
  performance:
    score: 85
    trend: improving | stable | declining
    metrics:
      - name: response_time_p95
        value: 120ms
        baseline: 150ms
        score: 125
  availability:
    score: 92
    trend: stable
    metrics:
      - name: sla_achievement
        value: 99.9%
        target: 99.95%
        score: 99.5
  satisfaction:
    score: 78
    trend: declining
    metrics:
      - name: nps
        value: 35
        benchmark: 40
        score: 87.5
  business:
    score: 88
    trend: improving
    metrics:
      - name: conversion_rate
        value: 4.2%
        baseline: 4.0%
        score: 105

Step 3: 趋势预测

目标：基于历史数据预测未来健康度趋势

分析方法：

移动平均（MA）
指数平滑（Holt-Winters）
趋势外推（线性/多项式回归）

预测维度：

7 日趋势预测
30 日趋势预测
季节性分析（如适用）

输出格式：

trend_analysis:
  prediction_horizon: 7d | 30d
  overall_trend:
    direction: up | down | stable
    change_rate: {percentage}
    confidence: {percentage}
  dimension_trends:
    - dimension: performance
      current: 85
      predicted_7d: 83
      predicted_30d: 80
      risk_alert: true | false

Step 4: 瓶颈识别

目标：识别影响整体健康度的关键瓶颈

分析方法：

维度加权贡献度分析
环比/同比异常检测
与竞品对标分析

瓶颈分级：

级别	定义	响应要求
P0	严重威胁业务指标	立即处理
P1	显著影响用户体验	本周处理
P2	存在隐患	计划处理
P3	优化项	持续跟进

输出格式：

bottlenecks:
  - id: BOT-001
    dimension: satisfaction
    severity: P1
    description: "NPS 持续下降 3 周"
    root_cause: "支付流程转化率下降"
    impact_score: 8
    affected_metrics: [nps, conversion_rate]
    recommendation: "优化支付流程"

Step 5: 综合报告

目标：生成综合健康度诊断报告

报告结构：

执行摘要（Overall Score + 关键发现）
各维度详细评分
趋势分析
瓶颈清单
改进建议

输出

输出文件路径：output/pm-monitoring/diagnosis-health/ 输出Schema：

{
  "type": "object",
  "required": ["report_id", "overall_score", "scores_by_dimension"],
  "properties": {
    "report_id": {"type": "string", "description": "报告唯一标识"},
    "generated_at": {"type": "string", "description": "生成时间"},
    "period": {"type": "object", "description": "评估周期，包含起止时间"},
    "overall_score": {"type": "number", "description": "整体健康度评分"},
    "score_trend": {"type": "string", "description": "评分趋势：improving/stable/declining"},
    "scores_by_dimension": {"type": "object", "description": "各维度评分，包含性能/可用性/满意度/业务"},
    "trend_analysis": {"type": "object", "description": "趋势预测，包含7天和30天预测变化"},
    "bottlenecks": {"type": "array", "description": "瓶颈列表，包含严重度和维度"},
    "recommendations": {"type": "array", "description": "改进建议列表，包含优先级和预期影响"}
  }
}

├── {date}/
│   ├── overall_score.md
│   ├── dimension_scores.yaml
│   ├── trend_analysis.yaml
│   ├── bottlenecks.yaml
│   └── recommendations.md
└── latest/
    └── health_report.md

健康度报告输出格式

health_diagnosis:
  report_id: {uuid}
  generated_at: {ISO8601}
  period:
    start: {ISO8601}
    end: {ISO8601}
  overall_score: 86
  score_trend: improving
  scores_by_dimension:
    performance: 85
    availability: 92
    satisfaction: 78
    business: 88
  trend_analysis:
    predicted_change_7d: -1
    predicted_change_30d: -3
  bottlenecks:
    - id: BOT-001
      severity: P1
      dimension: satisfaction
  recommendations:
    - priority: high
      action: "优化支付流程"
      expected_impact: "+5 NPS"

决策规则

场景	决策规则
维度得分 < 60	标记红色预警，生成专项诊断
维度得分 60-75	标记黄色预警，列入改进计划
维度得分 > 85	标记绿色，保持监控
预测趋势下降	生成预防性建议
数据缺失 > 30%	标记数据质量问题，跳过该维度评分

质量检查

[ ] 数据采集完整率 ≥ 90%
[ ] 评分计算准确性（抽样验证）
[ ] 趋势预测偏差 ±10%
[ ] 瓶颈识别覆盖率 ≥ 90%
[ ] 建议可执行率 ≥ 80%
[ ] 报告生成及时性（< 5 分钟）

降级策略

上游文件缺失降级方案

缺失的上游输入	降级方案	输出影响
性能数据	用户提供响应时间、吞吐量等关键性能指标数值，AI直接评分	性能维度直接评分结果，缺乏自动采集数据
可用性数据	用户提供SLA达成率、故障次数等指标，AI直接评分	可用性维度直接评分结果，缺乏自动采集数据
用户满意度	用户提供NPS/CSAT评分和投诉率数据，AI直接评分	满意度维度直接评分结果，缺乏自动采集数据
业务指标	用户提供转化率、GMV、DAU/MAU、留存等指标，AI直接评分	业务维度直接评分结果，缺乏自动采集数据
竞品动态	跳过竞品对标，瓶颈识别仅基于自身数据	无竞品对标的健康度报告

数据获取说明

当上游文件缺失时，通过以下方式获取必要数据：

多维度数据缺失：请用户提供各维度的关键指标数值，AI将基于用户提供的数据直接进行维度评分，跳过自动采集和标准化步骤
部分维度缺失：仅对有数据的维度进行评分，缺失维度标记为"数据不足"，综合评分仅基于可用维度计算并标注置信度
竞品动态缺失：跳过竞品对标分析，瓶颈识别仅依赖自身数据趋势和阈值判断，建议后续补充竞品数据以完善分析

输出校验规则

字段路径	类型	必填	说明
report_id	string	是	报告唯一标识
overall_score	number	是	整体健康度评分，范围0-100
score_trend	string	是	评分趋势，仅允许improving/stable/declining
scores_by_dimension	object	是	各维度评分，须含performance/availability/satisfaction/business
trend_analysis	object	否	趋势预测，须含predicted_change_7d/predicted_change_30d
bottlenecks	array	否	瓶颈列表，每项须含id/severity/dimension
bottlenecks[].severity	string	是	严重度，仅允许P0/P1/P2/P3

上游变更响应

上游变更影响表

上游来源	变更类型	影响范围	响应动作
APM/监控系统	性能指标口径变更	性能维度评分和基准对比	按新口径重新计算评分
监控系统	可用性数据格式变更	可用性维度评分	适配新格式，补充缺失字段
反馈系统	满意度指标变更	满意度维度评分	更新评分算法和权重
数据分析平台	业务指标定义变更	业务维度评分和趋势预测	按新定义重新计算评分和预测

下游通知机制表

下游消费者	通知条件	通知方式	通知内容
diagnosis-orchestrator	健康度诊断完成	输出文件更新	诊断完成状态和关键瓶颈
monitoring-pipeline	健康度评分异常	写入输出文件	异常维度和瓶颈详情
iteration-decision	P0/P1瓶颈识别	写入输出文件	瓶颈描述和改进建议

diagnosis-health— agent skill

Is diagnosis-health safe to install?

产品健康度自动诊断 🤖

核心原则

交互模式

输入

执行步骤

Step 1: 数据采集标准化

Step 2: 维度评分

Step 3: 趋势预测

Step 4: 瓶颈识别

Step 5: 综合报告

输出

健康度报告输出格式

决策规则

质量检查

降级策略

上游文件缺失降级方案

数据获取说明

输出校验规则

上游变更响应

上游变更影响表

下游通知机制表

Audit the pieces. Scan the whole. Decide.