SKILLEMALL.ai
GitHub ↗ EN Войти

AC tsmf-wechat-oa

Полностью автоматизированная система написания статей для WeChat. Поддерживает 20 изысканных тем, автоматически генерирует обложку, отправляет черновик в один клик. Сценарии использования: - Пользователю нужно сгенерировать черновик статьи для WeChat - Пользователь хочет переключаться между различными темами оформления - Пользователю нужен автоматизированный процесс создания контента - Пользователь хочет массово генерировать демонстрационные статьи по темам <example>Пользователь: "Помоги мне написать статью об искусственном интеллекте для WeChat"</example> <example>Пользователь: "Generate a WeChat article about coffee culture"</example> <example>Пользователь: "Оформи статью для WeChat в стиле техно"</example>

машинный переводПоказать оригиналСкрыть оригинал«微信公众号全自动写作系统。支持 20 种精美主题，自动生成封面，一键推送草稿箱。 适用场景： - 用户需要生成公众号文章草稿 - 用户想要…»

微信公众号全自动写作系统。支持 20 种精美主题，自动生成封面，一键推送草稿箱。 适用场景： - 用户需要生成公众号文章草稿 - 用户想要切换多种排版主题 - 用户需要自动化内容生产流程 - 用户想要批量生成主题演示文章 <example>用户: "帮我写一篇关于人工智能的公众号文章"</example> <example>用户: "Generate a WeChat article about coffee culture"</example> <example>用户: "公众号文章排版，用科技主题"</example>

ClawHub Agent Skills автор: onegrown v3.0.0 MIT-0 54 файла тело ≈ 1 810 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Полностью автоматизированная система написания статей для WeChat.

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

ГенераторТексты и документыИнфраструктуратип 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
79
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 · 3

✓ Критических и высоких находок нет

Средние и низкие: 3
  • низкая Утечка данных read-dotenv CONTRIBUTING.md:51
    Чтение файла .env
    cp .env.example .env
  • низкая Утечка данных read-dotenv README.md:45
    Чтение файла .env
    cp .env.example .env
  • низкая Утечка данных read-dotenv SKILL.md:470
    Чтение файла .env
    cp .env.example .env

Просканировано файлов: 54. 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")

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: 26
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1810 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 15. 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -35 из 12 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 266 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 46 заголовков
  • +3Пошаговые инструкции: 26 пунктов
  • +4Есть примеры (30 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 5)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: suspicious
This skill mostly matches its WeChat writing and draft-publishing purpose, but it also includes under-disclosed draft deletion, broad host inspection, and cleanup/Git scripts that users should review before installing.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.