SKILLEMALL.ai

BD gzh-download-knowledge

Пакетный экспорт исторических статей из вашей учетной записи WeChat в локальный архив Markdown — полный список из официального бэкэнда «Записи публикаций», стабильные ссылки, пакетное сохранение в один клик, полностью локальная работа, нулевая стоимость токенов. Работает на базе webclaw3 (использует ваш уже вошедший в систему Chrome, не требует ввода токенов/cookies). Сценарий использования: хотите пакетно сохранить исторические статьи из WeChat локально для архива/базы знаний (поддерживается только ваша собственная учетная запись WeChat, та, в которую вы вошли в бэкэнде).

машинный переводПоказать оригиналСкрыть оригинал«把自己的公众号历史文章批量导出为本地 Markdown 归档——后台官方「发表记录」全量列表、稳定链接、一键批量保存、纯本地运行、零 tok…»

把自己的公众号历史文章批量导出为本地 Markdown 归档——后台官方「发表记录」全量列表、稳定链接、一键批量保存、纯本地运行、零 token 成本。由 webclaw3 驱动(复用你已登录的 Chrome,无需填任何 token/cookie)。触发场景:想把公众号历史文章批量存到本地做归档/知识库(只支持自己的公众号,后台登录的那个号)。

ClawHub Agent Skills автор: 石建 v1.0.0 MIT-0 3 файла тело ≈ 728 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Пакетный экспорт исторических статей из вашей учетной записи WeChat в локальный архив Markdown — полный список из официального бэкэнда «Записи публикаций»…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураТексты и документыИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
87/100
безопасность, качество, тесты
Безопасность 60%
99
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
D
46/100
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 · 1

✓ Критических и высоких находок нет

Средние и низкие: 1
  • низкая Утечка данных exfil-secret-in-url skill.mjs:249
    Учётные данные в строке запроса URL (для части API это норма — проверьте, что хост нужный) (значение-заглушка)
    url: `https://mp.weixin.qq.com/cgi-bin/appmsgpublish?sub=list&begin=…&count=…&token=…&lang=…
    заглушка

Просканировано файлов: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (web, node), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 14
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 728 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)
  • +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 173 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 8 заголовков
  • +3Пошаговые инструкции: 14 пунктов
  • +4Есть примеры (2 блоков кода)

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

Внешние проверки

ClawHub: clean
This skill does what it says: it uses your logged-in WeChat admin browser session to export your own public account articles into local Markdown files.
LLM: benign (high) · VirusTotal: · 16 авг. 2026 г.