SKILLEMALL.ai
GitHub ↗ EN Войти

BC content-adapter

Одна запись, многоплатформенная публикация. Автоматически адаптирует исходный контент под стили Xiaohongshu, WeChat Official Account, Zhihu, Weibo, Douyin и других платформ, интеллектуально настраивая количество слов, эмодзи, форматирование и тон, чтобы контент достигал наилучших результатов на каждой платформе.

машинный переводПоказать оригиналСкрыть оригинал«一次编写，多平台发布。自动将原始内容适配成小红书、公众号、知乎、微博、抖音等平台风格，智能调整字数、表情、排版和语气，让内容在各平台都能获得…»

一次编写，多平台发布。自动将原始内容适配成小红书、公众号、知乎、微博、抖音等平台风格，智能调整字数、表情、排版和语气，让内容在各平台都能获得最佳效果。

ClawHub Agent Skills автор: mikeliang2000 v1.0.1 MIT-0 4 файла · 1 скрипт тело ≈ 1 706 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Одна запись, многоплатформенная публикация.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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 · 0

✓ Критических и высоких находок нет

Просканировано файлов: 4. 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 "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 46
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1706 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

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 75: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -246 эмодзи в инструкциях: шум для модели
  • +2Инструкции на одном языке
  • +4Структура: 28 заголовков
  • +3Пошаговые инструкции: 46 пунктов
  • +4Есть примеры (15 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: suspicious
The skill performs content adaptation, but it also includes buried instructions for automatic user and sharing analytics without clear consent or scope.
LLM: suspicious (medium) · VirusTotal: · 1 июн. 2026 г.