SKILLEMALL.ai

AC duanshipinjiexi

Универсальный инструмент для извлечения видео и удаления водяных знаков, охватывающий 4 основные платформы контента: Douyin, Kuaishou, Xiaohongshu, Pipixia. Только для извлечения и загрузки для редактирования видео с водяными знаками, встроенными в платформу, интеллектуальное удаление водяных знаков с идентификаторами видеоплатформы одним щелчком мыши, полное извлечение качества исходного материала без потерь, четкое изображение без размытия, следов или сжатия после удаления водяных знаков, быстрая загрузка оригинального видео без водяных знаков, подходит для ежедневного сохранения качественного контента и организации материалов для вторичного использования.

машинный переводПоказать оригиналСкрыть оригинал«一站式视频解析去水印工具,全面覆盖抖音、快手、小红书、皮皮虾4大主流内容平台,仅针对平台自带水印解析下载剪辑,一键智能去除视频平台标识水印,…»

一站式视频解析去水印工具,全面覆盖抖音、快手、小红书、皮皮虾4大主流内容平台,仅针对平台自带水印解析下载剪辑,一键智能去除视频平台标识水印,全程无损解析素材画质, 去水印后画面清晰无模糊、无痕迹、无压缩,完整保快速提取无水印原版视频,适配日常收藏优质内容与二次创作素材整理。

ClawHub Agent Skills автор: kangleizhui v1.7.6 MIT-0 8 файлов тело ≈ 670 токенов Открыть источникclawhub.ai проанализирован 34 ч назад

Универсальный инструмент для извлечения видео и удаления водяных знаков, охватывающий 4 основные платформы контента: Douyin, Kuaishou, Xiaohongshu, Pipixia.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураРазработкаМедиа и видеотип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
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: 1. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"

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
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 7
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 670 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
  • +2Инструкции на одном языке
  • +3Длина description 137 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 7 пунктов
  • +4Есть примеры (7 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (5 из 5)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

Внешние проверки

ClawHub: suspicious
The skill largely matches its video-parsing purpose, but it should be reviewed because it can automatically send user links and identity codes to a newly discovered, unverified backend service.
LLM: suspicious (high) · VirusTotal: · 13 июл. 2026 г.