SKILLEMALL.ai
GitHub ↗ EN Войти

CC youtube

Ищет на YouTube, читает информацию о своем канале и загруженных видео (статистика, комментарии) и загружает новые видео через YouTube Data API v3. Используйте, когда пользователь упоминает YouTube, "my channel", "my videos", поиск на YouTube, просмотры / лайки / статистику видео, загрузку видео на YouTube или проверку того, как идет опубликованное видео.

машинный переводПоказать оригиналСкрыть оригинал«Search YouTube, read your own channel and uploaded videos (stats, comm…»

Search YouTube, read your own channel and uploaded videos (stats, comments), and upload new videos via the YouTube Data API v3. Use when the user mentions YouTube, "my channel", "my videos", searching YouTube, video views / likes / stats, uploading a video to YouTube, or checking how a published video is doing.

Этот же скилл из каталога clawhub прошёл прогон на моделях: Не улучшает ответы D посмотреть результат → Здесь его копия: текст может отличаться, поэтому оценка не перенесена.

AceDataCloud/Skills Agent Skills автор: AceDataCloud 2 файла · 1 скрипт тело ≈ 2 176 токенов Открыть источникgithub.com↗ проанализирован 2 ч назад

Ищет на YouTube, читает информацию о своем канале и загруженных видео (статистика, комментарии) и загружает новые видео через YouTube Data API v3.

Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ИнтеграцияYouTubeМедиа и видеотип 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
81/100
безопасность, качество, тесты
Безопасность 60%
75
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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

    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 · 5

    ✓ Критических и высоких находок нет

    Средние и низкие: 5
    • средняя Утечка данных net-credential-use SKILL.md:40
      Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
      curl -sS -H "Authorization: Bearer $GOOGLE_YOUTUBE_TOKEN" \
    • средняя Утечка данных net-credential-use SKILL.md:49
      Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
      curl -sS -H "Authorization: Bearer $GOOGLE_YOUTUBE_TOKEN" \
    • средняя Утечка данных net-credential-use SKILL.md:82
      Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
      curl -sS -H "Authorization: Bearer $GOOGLE_YOUTUBE_TOKEN" \
    • средняя Утечка данных net-credential-use SKILL.md:92
      Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
      curl -sS -H "Authorization: Bearer $GOOGLE_YOUTUBE_TOKEN" \
    • средняя Утечка данных net-credential-use SKILL.md:167
      Учётные данные используются в сетевом вызове (проверьте, что адрес — нужный сервис)
      RESULT=$(curl -sS -H "Authorization: Bearer $GOOGLE_YOUTUBE_TOKEN" \

    Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "connections"
    • заметка frontmatter-key неизвестное поле фронтматтера "allowed_tools"

    Процессный рейтинг: все десять параметров 55/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 7, без проверки текущего состояния
    • 55Ошибки и развилки. Развилок: 1
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Шаги. Шагов: 4
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 2176 токенов

    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

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +5В description 2 примера фраз-триггеров в кавычках
    • +3Длина description 312 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 4 пунктов
    • +4Есть примеры (7 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 91.