AC gingiris-social-content
🇺🇸 Контент для социальных сетей — многоплатформенное распространение для стартапов. Создание и распространение контента в Twitter/X, LinkedIn, Reddit, HackerNews, Product Hunt и других. Оптимизация формата под конкретную платформу, написание тредов, тактики вовлечения сообщества, графики публикаций, наращивание кармы на Reddit и лучшие практики подачи на HN. 🇨🇳 社交媒体内容 — 创业公司多平台分发。Twitter/X、LinkedIn、Reddit、HackerNews、Product Hunt 等平台内容创作与分发。平台格式优化、Twitter Thread 写作、社区互动策略、发布时间表。 🇯🇵 ソーシャルメディアコンテンツ — スタートアップのマルチプラットフォーム配信。Twitter/X、LinkedIn、Reddit、HackerNews全般のコンテンツ作成と配信。プラットフォーム別最適化、スレッド作成、コミュニティ戦略。 🇰🇷 소셜 미디어 콘텐츠 — 스타트업 멀티플랫폼 배포. Twitter/X, LinkedIn, Reddit, HackerNews 전반의 콘텐츠 제작 및 배포. 플랫폼별 최적화, 스레드 작성, 커뮤니티 전략. Триггеры: "social media content" | "Twitter thread" | "LinkedIn post" | "Reddit marketing" | "HackerNews" | "content distribution" | "social media strategy" | "startup content" | "community marketing" | "社交媒体" | "内容分发" | "社群运营"
машинный переводПоказать оригиналСкрыть оригинал«🇺🇸 Social Media Content — Multi-platform distribution for startups.…»
🇺🇸 Social Media Content — Multi-platform distribution for startups. Create and distribute content across Twitter/X, LinkedIn, Reddit, HackerNews, Product Hunt, and more. Platform-specific format optimization, thread writing, community engagement tactics, posting schedules, Reddit karma building, and HN submission best practices. 🇨🇳 社交媒体内容 — 创业公司多平台分发。Twitter/X、LinkedIn、Reddit、HackerNews、Product Hunt 等平台内容创作与分发。平台格式优化、Twitter Thread 写作、社区互动策略、发布时间表。 🇯🇵 ソーシャルメディアコンテンツ — スタートアップのマルチプラットフォーム配信。Twitter/X、LinkedIn、Reddit、HackerNews全般のコンテンツ作成と配信。プラットフォーム別最適化、スレッド作成、コミュニティ戦略。 🇰🇷 소셜 미디어 콘텐츠 — 스타트업 멀티플랫폼 배포. Twitter/X, LinkedIn, Reddit, HackerNews 전반의 콘텐츠 제작 및 배포. 플랫폼별 최적화, 스레드 작성, 커뮤니티 전략. Triggers: "social media content" | "Twitter thread" | "LinkedIn post" | "Reddit marketing" | "HackerNews" | "content distribution" | "social media strategy" | "startup content" | "community marketing" | "社交媒体" | "内容分发" | "社群运营"
🇺🇸 Контент для социальных сетей — многоплатформенное распространение для стартапов.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 51/100
- 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
- 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 31
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1136 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)
- +3Длина description 929: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 9 примера фраз-триггеров в кавычках
- +4Структура: 11 заголовков
- +3Пошаговые инструкции: 31 пунктов
- +4Есть примеры (5 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.