BC local-video-ad-pipeline-v05-public
Local Video Ad Pipeline v0.5 — общедоступный навык OpenClaw для создания коротких рекламных роликов и YouTube Shorts с использованием локальных моделей ИИ. Он использует локальную LLM в качестве полного режиссера: библия концепций, намерение истории, визуальная арка, сцены, режиссура кадров, список кадров, подсказки для изображений, сценарий корейских субтитров и синхронизация на основе субтитров. Ключевые кадры генерируются с помощью Qwen-Image или SDXL через ComfyUI, кадры анимируются последовательно с помощью Wan2.2, опциональная фоновая музыка может быть создана с помощью ACE-Step, а окончательная сборка MP4 выполняется с помощью ffmpeg. Разработан для локальных рабочих процессов с GPU, где модели должны загружаться по одной. Включает правила согласованности персонажей, блокировку идентификации на уровне подсказок, прямое создание ключевых кадров Qwen-Image, упаковку корейских субтитров, сборку на нативной скорости без замедления, контроль качества контактных листов и практические рекомендации по сосуществованию GPU.
машинный переводПоказать оригиналСкрыть оригинал«Local Video Ad Pipeline v0.5 is a public OpenClaw skill for producing…»
Local Video Ad Pipeline v0.5 is a public OpenClaw skill for producing short commercial videos and YouTube Shorts with local AI models. It uses a local LLM as the full film director: concept bible, story intent, visual arc, beats, shot direction, shotlist, image prompts, Korean subtitle script, and subtitle-based timing. Keyframes are generated with Qwen-Image or SDXL through ComfyUI, shots are animated sequentially with Wan2.2, optional BGM can be created with ACE-Step, and final MP4 assembly is handled with ffmpeg. Designed for local GPU workflows where models must be loaded one at a time. Includes character consistency rules, prompt-level identity locking, direct Qwen-Image keyframe generation, Korean subtitle wrapping, no-slow native-speed assembly, contact-sheet QA, and practical GPU coexistence guidance.
Local Video Ad Pipeline v0.5 — общедоступный навык OpenClaw для создания коротких рекламных роликов и YouTube Shorts с использованием локальных моделей ИИ. Он…
Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Скилл содержит команды, которые удаляют файлы, переписывают диски или исполняют код, скачанный из сети. Агент может выполнить их без вопроса, если считает, что так требует инструкция.
Замените разрушительные команды на безопасные аналоги с подтверждением, ограничьте область действия конкретной папкой и не тяните код через curl | bash: укажите версию и контрольную сумму.
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 · 2
✓ Критических и высоких находок нет
Средние и низкие: 2
-
средняя Опасные команды
cmd-execpolicy-bypassSKILL.md:274Запуск PowerShell с обходом execution policypowershell -ExecutionPolicy Bypass -File scripts/clea…ps1
-
низкая Секреты в коде
secret-high-entropy-tokenreferences/preproduction.md:37Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)Recommended local model: `gemm…F16` when an uncensored concept writer is useful.
в кавычках
Просканировано файлов: 22. 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 62/100
- 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: 2, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 85Шаги. Шагов: 16, расплывчатых формулировок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Ошибки и развилки. Развилок: 11, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3882 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
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 820: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -2Ссылки на localhost: у другого пользователя не заработает
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 14 заголовков
- +3Пошаговые инструкции: 16 пунктов
- +4Есть примеры (19 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (5 из 6)
- +3Все 14 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.