BC xiaohongshu-video-studio
Универсальная фабрика для анализа и создания коротких видеороликов для Xiaohongshu. Пользователи просто вводят ссылку на видео Xiaohongshu и добавляют простое требование: преобразование видео в текст (субтитры/речь/содержание кадра), анализ и обобщение контента, разбор вирусных видео (по логике продаж/трафика с разделением на сегменты, типы сценариев, причины вирусности, отчеты с шестимерной оценкой, учитесь и копируйте), преобразование видео в сценарий (кадры/движение камеры/переходы/эмоции/временная шкала/текст на экране), генерация вирусного сценария (переписывание существующей структуры в ваш сценарий или оригинальный сценарий озвучки по направлению/цели/товару, включая таблицу сегментов и шестимерную оценку качества), обратный вывод подсказок для видео (преобразование кадра и контента в подсказки, понятные агенту). На нижнем уровне используется удаленный конечный узел Cue Omni Reader для анализа (автоматический обход защиты от копирования Xiaohongshu), а затем большие модели обрабатывают и доставляют результат в соответствии со сценарием.
машинный переводПоказать оригиналСкрыть оригинал«小红书短视频一站式解析与创作工场。用户直接输入小红书视频链接加一句简单要求即可：视频转文字（字幕/口播/画面内容）、内容分析总结、爆款视频拆…»
小红书短视频一站式解析与创作工场。用户直接输入小红书视频链接加一句简单要求即可：视频转文字（字幕/口播/画面内容）、内容分析总结、爆款视频拆解（按带货/流量逻辑拆结构分段、脚本类型、爆款归因、六维评分报告，照着学照着抄）、视频转脚本（镜头/运镜/转场/情绪/时间线/屏幕文字）、爆款脚本生成（原骨架改写成你的脚本，或按方向/目的/商品原创口播脚本，含分段表与六维质检评分）、视频提示词反推（画面和内容转成 agent 可理解的提示词）。底层经 Cue Omni Reader 远程端点解析（自动绕过小红书反爬），再由大模型按场景加工交付。
Универсальная фабрика для анализа и создания коротких видеороликов для Xiaohongshu.
Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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 · 0
✓ Критических и высоких находок нет
Просканировано файлов: 2. 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") - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "description_zh"
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, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 73
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2583 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 12. 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 269 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 27 заголовков
- +3Пошаговые инструкции: 73 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 70.