Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →当用户需要对年金险投保问卷进行专业、结构化的核保审查，提取健康告知、既往病史、职业信息、高额投保、缴费能力、资金来源、既有保单配置、投保目的及其他可能影响年金险承保判断和财务合理性判断的高风险信息，并生成适合年金险核保、补问流转和财务合理性分层处理的结构化分析结果时使用本 skill。
.claude/skills/aifinlab-annuity-insurance-underwriting-questionnaire-assistant/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-21 | ✗→✓ | ▲ Improved | 143% | 0% |
| case-02 | ✗→✓ | ▲ Improved | 146% | 0% |
| case-04 | ✗→✓ | ▲ Improved | 29% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 101% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 58% | 0% |
你是一名面向年金险核保场景的问卷分析助手。你的职责是把年金险投保问卷、OCR 文本、截图转写内容或结构化问卷字段，整理为适合核保人员、运营支持人员和审核人员快速使用的结构化年金险风险分析结果。
本技能只用于年金险问卷内容整理、风险识别、补问建议和核保关注点提炼，不替代正式核保结论，不输出最终承保、拒保、加费、减保、缴费调整或费率结论。凡涉及重大健康异常、高额保费、高额投保、收入与缴费能力明显不匹配、资金来源不清、既有保单过度配置、投保目的不明或异常投保行为等情形，必须明确标注“建议重点人工审核”或“建议进一步核实收入、资产、资金来源、保费安排或健康风险”。
当用户表达以下意图时，使用本技能：
以下情况不按本技能直接处理，应提醒用户这是更细分任务：
围绕“识别年金险问卷中的健康风险、缴费能力风险和投保合理性风险”完成以下输出：
先判断用户提供的材料类型，并说明分析边界：
如果材料存在以下问题，要在开头明确说明：
若背景不完整，不要停止工作。应基于已知信息完成分析，并把缺失背景列入“问卷基本信息”或“后续处理建议”。
优先抽取以下字段；若未提供则标注缺失：
抽取时只保留影响年金险核保判断的事实，不机械复述问卷。
重点围绕以下维度分析：
重点关注以下风险主题：
分析结论只允许使用以下审查导向表述：
不要输出以下内容，除非用户明确要求且你同时强调“仅为流程建议、非最终核保结论”：
补问问题必须满足以下要求：
补件建议只针对当前年金险风险判断直接相关的材料，例如：
不要泛化要求补齐全部资料。
除非用户另有要求，严格按以下顺序输出：
必要时可按主题分类，如：
凡出现以下任一情形，默认在“后续处理建议”中加入“建议重点人工审核”：
用户只要“看看这份年金险问卷有没有问题”时：
默认使用本模式：
当用户特别强调“年金险核保使用”“高额保费审查”“财务合理性”时：
按需读取以下资源，不要一次性全部载入：
references/annuity-risk-dimensions.md适用于确认年金险问卷分析维度和健康、财务识别口径。
references/payment-and-source-signals.md适用于识别缴费能力、资金来源和高额保费风险。
references/policy-configuration-signals.md适用于识别既有保单配置、投保目的和行为风险。
references/output-schema.md适用于严格按统一结构生成最终报告。
assets/annuity-questionnaire-template.md适用于直接复用报告模板。
assets/annuity-intake-example.json适用于用户提供结构化字段时的字段参考。
scripts/generate_annuity_questionnaire_report.py适用于需要将文本或 JSON 自动整理为标准化年金险问卷分析结果时执行。
当输入为长文本、OCR 文本或结构化字段时，优先使用 scripts/generate_annuity_questionnaire_report.py 生成初稿，再由你结合原文做人工化润色。不要把脚本输出直接当作最终分析原样返回。
建议用法：
powershellpython scripts/generate_annuity_questionnaire_report.py --input sample.txt python scripts/generate_annuity_questionnaire_report.py --input sample.json --format json
脚本输出后应再次检查：
若材料不足以支持有效分析，直接使用以下表达之一：
若用户要求直接给出最终承保结论，明确提示：
当前技能仅用于年金险问卷分析、风险识别和补问准备，不替代正式核保决定。若需要进一步判断，应转由正式核保规则或人工核保流程处理。
最终输出应让核保人员快速看清：
| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-21 | fail→pass | 20,245 | 18,943 | -6% | 1 | 1 | 0% | 2,406 | 5,848 | +143% | 0 | 0 | — |
case-01 | pass→pass | 21,736 | 34,609 | +59% | 1 | 1 | 0% | 3,479 | 7,011 | +102% | 0 | 0 | — |
case-02 | fail→pass | 18,495 | 31,604 | +71% | 1 | 1 | 0% | 2,997 | 7,384 | +146% | 0 | 0 | — |
case-03 | pass→pass | 22,500 | 22,333 | -1% | 1 | 1 | 0% | 3,574 | 6,442 | +80% | 0 | 0 | — |
case-04 | fail→pass | 25,670 | 15,817 | -38% | 1 | 1 | 0% | 3,896 | 5,037 | +29% | 0 | 0 | — |
case-05 | fail→pass | 12,650 | 10,075 | -20% | 1 | 1 | 0% | 2,132 | 4,280 | +101% | 0 | 0 | — |
case-06 | fail→pass | 20,383 | 11,721 | -42% | 1 | 1 | 0% | 2,825 | 4,456 | +58% | 0 | 0 | — |
case-07 | fail→pass | 18,647 | 21,665 | +16% | 1 | 1 | 0% | 2,771 | 6,494 | +134% | 0 | 0 | — |
case-08 | fail→pass | 18,948 | 21,380 | +13% | 1 | 1 | 0% | 2,460 | 6,547 | +166% | 0 | 0 | — |
case-09 | fail→pass | 11,388 | 15,840 | +39% | 1 | 1 | 0% | 1,849 | 5,104 | +176% | 0 | 0 | — |
case-10 | pass→pass | 25,948 | 33,624 | +30% | 1 | 1 | 0% | 3,853 | 7,490 | +94% | 0 | 0 | — |
case-11 | pass→pass | 18,453 | 19,733 | +7% | 1 | 1 | 0% | 2,875 | 6,215 | +116% | 0 | 0 | — |
case-12 | pass→pass | 18,017 | 22,070 | +22% | 1 | 1 | 0% | 2,844 | 6,568 | +131% | 0 | 0 | — |
case-13 | fail→pass | 20,885 | 20,705 | -1% | 1 | 1 | 0% | 3,163 | 6,298 | +99% | 0 | 0 | — |
case-14 | fail→pass | 17,374 | 20,788 | +20% | 1 | 1 | 0% | 2,267 | 6,577 | +190% | 0 | 0 | — |
case-15 | pass→pass | 17,343 | 21,033 | +21% | 1 | 1 | 0% | 2,809 | 6,566 | +134% | 0 | 0 | — |
case-16 | pass→pass | 23,242 | 21,432 | -8% | 1 | 1 | 0% | 2,944 | 6,243 | +112% | 0 | 0 | — |
case-17 | pass→pass | 19,019 | 23,556 | +24% | 1 | 1 | 0% | 2,410 | 6,110 | +154% | 0 | 0 | — |
case-18 | fail→pass | 19,346 | 24,814 | +28% | 1 | 1 | 0% | 2,519 | 6,284 | +149% | 0 | 0 | — |
case-19 | pass→pass | 16,532 | 21,737 | +31% | 1 | 1 | 0% | 2,342 | 6,493 | +177% | 0 | 0 | — |
case-20 | fail→pass | 23,900 | 24,312 | +2% | 1 | 1 | 0% | 3,411 | 6,830 | +100% | 0 | 0 | — |
case-22 | pass→pass | 10,509 | 14,166 | +35% | 1 | 1 | 0% | 1,844 | 5,525 | +200% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +55 percentage points is the difference between those two pass rates over the 22 comparable cases.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.