SKILLEMALL.ai

BD 视频号数据罗盘

Точные данные о взаимодействии с контентом на видеоплатформе WeChat: лайки, комментарии, избранное, репосты, просмотры, с указанием, является ли каждое значение точным или приблизительным (например, 12 тыс.), чтобы избежать недоразумений из-за округленных значений. Применимо, когда пользователь хочет увидеть точные данные о взаимодействии, такие как лайки, комментарии, избранное, репосты, просмотры для определенного видео.

машинный переводПоказать оригиналСкрыть оригинал«视频号作品的精确互动数据:点赞、评论、收藏、转发、播放量,并标注每个数值是精确值还是展示值(如1.2万),避免被约数误导。 适用场景:用户想…»

视频号作品的精确互动数据:点赞、评论、收藏、转发、播放量,并标注每个数值是精确值还是展示值(如1.2万),避免被约数误导。 适用场景:用户想看某条视频号的点赞、评论、收藏、转发、播放等精确互动数据时使用。

ClawHub Agent Skills автор: dunkong v1.0.1 MIT-0 5 файлов тело ≈ 599 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Точные данные о взаимодействии с контентом на видеоплатформе WeChat: лайки, комментарии, избранное, репосты, просмотры, с указанием, является ли каждое…

Как процесс D 41/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
D
41/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"

Процессный рейтинг: все десять параметров 41/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 40Согласованность. Имя во frontmatter (视频号数据罗盘) не совпадает с папкой (wechat-channel-metrics)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 12
  • 100Стоимость исполнения. Тело инструкции 599 токенов
  • 100Повторный запуск. Изменяющих операций нет

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)
  • +3Длина description 102: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 12 пунктов
  • +4Есть примеры (4 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: suspicious
The skill mostly behaves like a paid WeChat Channel metrics tool, but it bundles broader API and file-upload capabilities that are not clearly disclosed for that purpose.
LLM: suspicious (high) · 4 сент. 2026 г.