SKILLEMALL.ai
GitHub ↗ EN Войти

CC youtube-comment-moderator

Модерация комментариев YouTube с помощью ИИ. Получает комментарии, классифицирует их (спам, вопрос, похвала, ненависть, нейтральный, конструктивный), составляет черновики ответов и удаляет спам. Работает с любым каналом YouTube через OAuth. Используйте при модерировании комментариев YouTube, настройке автоматических ответов, анализе тональности комментариев, управлении спамом или создании конвейера модерации комментариев.

машинный переводПоказать оригиналСкрыть оригинал«AI-powered YouTube comment moderation. Fetches comments, classifies th…»

AI-powered YouTube comment moderation. Fetches comments, classifies them (spam, question, praise, hate, neutral, constructive), drafts replies, and deletes spam. Works with any YouTube channel via OAuth. Use when moderating YouTube comments, setting up auto-replies, analyzing comment sentiment, managing spam, or building a comment moderation pipeline.

Не рекомендуетсяесть критические или высокие находки безопасности
ClawHub Agent Skills автор: Dhruv Kar v1.0.1 MIT-0 15 файлов · 5 скриптов тело ≈ 1 622 токенов Открыть источникclawhub.ai↗ проанализирован 6 дн назад

Модерация комментариев YouTube с помощью ИИ.

Как процесс C 50/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураYouTubeGoogle CloudМедиа и видеотип 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
81/100
безопасность, качество, тесты
Безопасность 60%
77
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
50/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Чем это грозит

Скилл содержит фрагменты, которые в чужих руках стоят денег или данных. Ниже, что рискует потерять тот, кто установит, и что должен сделать автор.

Широкие права
Если установить

Скилл просит больше прав, чем нужно для задачи: широкий доступ к инструментам, секретные переменные окружения, бинарные файлы. Каждое лишнее право расширяет ущерб при ошибке или взломе.

Автору

Сузьте allowed-tools и список переменных до минимума, замените бинарники на исходники или скрипты, которые можно прочитать.

Как улучшить

  1. Разберите находки высокой серьёзности: каждая стоит 18 баллов безопасности. Если это ложное срабатывание, добавьте код правила в guard.allow в spec.yaml.
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 · 6

  • высокая Широкие права meta-requests-env-secret SKILL.md:1
    Скилл просит рантайм передать в его песочницу секретные переменные: YOUTUBE_API_KEY, GEMINI_API_KEY, YT_MOD_CLIENT_SECRET (особо ценные: GEMINI_API_KEY) — проверьте, что каждая нужна для заявленной задачи
    required_environment_variables: YOUTUBE_API_KEY, GEMINI_API_KEY, YT_MOD_CLIENT_SECRET
Средние и низкие: 5
  • низкая Утечка данных read-dotenv SKILL.md:38
    Чтение файла .env
    source .env
  • низкая Утечка данных read-dotenv SKILL.md:65
    Чтение файла .env
    source .env && python3 scripts/setup.py --auth-url
  • низкая Утечка данных read-dotenv SKILL.md:76
    Чтение файла .env
    source .env && python3 scripts/setup.py --exchange-code "http://127.0.0.1:8976/callback?code=<CODE>"
  • низкая Утечка данных read-dotenv SKILL.md:101
    Чтение файла .env
    source .env && python3 scripts/moderate.py --all-videos --dry-run
  • низкая Утечка данных read-dotenv SKILL.md:110
    Чтение файла .env
    source .env && python3 scripts/moderate.py --all-videos

Просканировано файлов: 8. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • заметка frontmatter-key неизвестное поле фронтматтера "env"

Процессный рейтинг: все десять параметров 50/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 30Повторный запуск. Изменяющих операций: 14, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (bash, web), но во frontmatter они не объявлены
  • 65Ошибки и развилки. Развилок: 3
  • 85Шаги. Шагов: 21, расплывчатых формулировок: 1
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1622 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
  • -2Ссылки на localhost: у другого пользователя не заработает
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 353 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 21 пунктов
  • +4Есть примеры (7 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +3Все 5 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

Внешние проверки

ClawHub: suspicious
The skill is a coherent YouTube moderation tool, but its auto mode can delete comments and post replies from LLM output with weak safeguards around OAuth and stored tokens.
LLM: suspicious (high) · VirusTotal: · 11 сент. 2026 г.