SKILLEMALL.ai

AC chat-distill

Извлечение стиля общения человека из экспортированных записей разговоров и генерация ответов, имитирующих его голос. Используйте, когда (1) анализируете историю чата для извлечения лексики, тона, привычек использования эмодзи, структуры предложений и черт личности, (2) генерируете ответы в определенном стиле общения, (3) создаете профиль стиля из экспортированных чатов WeChat, TG, Discord или текстовых чатов, (4) просите проанализировать записи чатов или имитировать тон говорящего. Поддерживает форматы .txt, .json и экспортированные чаты WeChat.

машинный переводПоказать оригиналСкрыть оригинал«Distill a person's chat style from exported conversation records and g…»

Distill a person's chat style from exported conversation records and generate replies that mimic their voice. Use when (1) analyzing chat history to extract vocabulary, tone, emoji habits, sentence patterns, and personality traits, (2) generating replies in someone's specific chat style, (3) creating a style profile from WeChat, TG, Discord, or text chat exports, (4) asking to analyze chat records or mimic a speaker's tone. Supports .txt, .json, and WeChat chat export formats.

ClawHub Agent Skills автор: MengqiYu v1.0.0 MIT-0 6 файлов тело ≈ 371 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Извлечение стиля общения человека из экспортированных записей разговоров и генерация ответов, имитирующих его голос.

Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу

ГенераторDiscordИнфраструктураЛичная продуктивностьтип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
C
56/100
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

    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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 56/100

    • 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
    • 60Инструменты и файлы. Используются инструменты (read), но во frontmatter они не объявлены
    • 60Ошибки и развилки. Развилок: 2
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 85Шаги. Шагов: 14, расплывчатых формулировок: 1
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 371 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
    • +4Нет примеров входа/выхода
    • -31 из 1 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 481 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 4 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +4Справочные файлы упоминаются в инструкциях (3 из 3)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.

    Внешние проверки

    ClawHub: clean
    This is a disclosed chat-style analysis and mimicry skill that reads user-provided chat exports, but users should handle the privacy and impersonation risks carefully.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.