SKILLEMALL.ai
GitHub ↗ EN Войти

BD Platform Rules Engine

Проверка предстартового состояния в социальных сетях. Сканирует черновик любого поста на соответствие более чем 30 невидимым правилам для конкретных платформ и выводит результаты PASS/WARN/FAIL для каждого правила с точными предложениями по исправлению. Подобно линтеру для контента. Охватывает Reddit (соотношение саморекламы 90/10, триггеры теневого бана, отслеживание ссылок в комментариях), LinkedIn (обнаружение ИИ 360Brew, штраф за внешние ссылки 60%, NLP-фильтр для приманки вовлеченности, обнаружение групп вовлеченности), Twitter/X (множитель ответов автора 150x, окно скорости 30 минут, снижение видимости ссылок с марта 2026 года, сигнал закладки 10x), и HackerNews (правила формата Show HN, понижение рейтинга руководств, редактирование кликбейтных заголовков от dang). Основано на исследованиях с конкретными данными алгоритмов. Нулевые внешние зависимости.

машинный переводПоказать оригиналСкрыть оригинал«Social media pre-flight checker. Scans any draft post against 30+ plat…»

Social media pre-flight checker. Scans any draft post against 30+ platform-specific invisible rules and outputs PASS/WARN/FAIL per rule with exact fix suggestions. Like a linter for content. Covers Reddit (90/10 self-promo ratio, shadowban triggers, link-to-comment tracking), LinkedIn (360Brew AI detection, 60% external link penalty, engagement bait NLP filter, engagement pod detection), Twitter/X (150x author-reply multiplier, 30-min velocity window, link depression since March 2026, bookmark 10x signal), and HackerNews (Show HN format rules, tutorial downrank, clickbait title editing by dang). Research-backed with specific algorithm data. Zero external dependencies.

ClawHub Agent Skills автор: Lucius Pang v1.0.3 MIT-0 3 файла тело ≈ 1 635 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Проверка предстартового состояния в социальных сетях.

Как процесс D 39/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторИнфраструктураТексты и документыМаркетингтип 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
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
70
Прогон на моделях
не было
Процессный рейтинг
D
39/100
Процесс не доведён
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: 3. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное 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: 4, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (Platform Rules Engine) не совпадает с папкой (phy-platform-rules-engine)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 7
  • 100Стоимость исполнения. Тело инструкции 1635 токенов

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
  • +2Инструкции на одном языке
  • +3Длина description 676 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 15 заголовков
  • +3Пошаговые инструкции: 7 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: 70.

Внешние проверки

ClawHub: clean
This is a local social-media draft checker that reads user-provided text and prints rule-based feedback, with no evidence of credential use, network transfer, persistence, or account changes.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.