AD Content Compound
Создатель библиотеки атомов контента для создателей контента в социальных сетях. Сканирует каталог вашего прошлого контента (markdown, текстовые файлы) и извлекает повторно используемые «атомы контента» — утверждения, данные, анекдоты, фреймворки, контрарные мнения и вопросы. Помечает каждый атом ключевыми словами темы и источником. При получении новой темы извлекает наиболее релевантные атомы из вашей личной библиотеки и генерирует план поста. Похоже на Zettelkasten, но автоматизировано — каждый написанный вами пост облегчает следующий. Решает проблему выгорания создателей контента на 77%, устраняя начало с «чистого листа». Основано на исследованиях (эффект случайности Zettelkasten, 730-дневная библиотека контента Джастина Уэлша, модель хаба и спиц для атомизации контента). Нулевые внешние зависимости.
машинный переводПоказать оригиналСкрыть оригинал«Content atom library builder for social media creators. Scans a direct…»
Content atom library builder for social media creators. Scans a directory of your past content (markdown, text files) and extracts reusable "content atoms" — claims, data points, anecdotes, frameworks, contrarian takes, and questions. Tags each with topic keywords and source attribution. When given a new topic, retrieves the most relevant atoms from your personal library and generates a post outline. Like Zettelkasten but automated — every post you write makes the next one easier. Solves the 77% creator burnout problem by eliminating "blank page" starts. Research-backed (Zettelkasten serendipity effect, Justin Welsh 730-day content library, content atomization hub-and-spoke model). Zero external dependencies.
Создатель библиотеки атомов контента для создателей контента в социальных сетях.
Как процесс D 39/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- 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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 39/100
- 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
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (Content Compound) не совпадает с папкой (phy-content-compound)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 8
- 100Стоимость исполнения. Тело инструкции 1518 токенов
- low Разделов верхнего уровня: 10. 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
- +2Инструкции на одном языке
- +5В description 2 примера фраз-триггеров в кавычках
- +3Длина description 718 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 11 заголовков
- +3Пошаговые инструкции: 8 пунктов
- +4Есть примеры (4 блоков кода)
- +3Все 1 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.