BD playlet-wechat-feed
Источник информации для коротких сериалов в WeChat — ежедневно сканирует популярные статьи о коротких сериалах в WeChat, отбирает популярный контент по количеству просмотров, интеллектуально кластеризует тематические направления, а затем генерирует ежедневный HTML-отчет, включающий обложку, данные о взаимодействии и аналитику создания. Поддерживает целевой запрос по теме (путешествия во времени/любовный роман/перерождение и т. д.), по WeChat-аккаунту, по временному диапазону. ⚠️ Данные обновляются ежедневно в 15:00 за предыдущий день. Если данных за целевую дату нет, необходимо сначала сообщить об этом пользователю и дождаться подтверждения перед вызовом API, запрещено автоматическое получение. Используйте, когда пользователю нужен ежедневный отчет о коротких сериалах в WeChat, популярные короткие сериалы в WeChat, горячие темы коротких сериалов, тенденции создания коротких сериалов или пользовательский запрос по теме.
машинный переводПоказать оригиналСкрыть оригинал«短剧-公众号信息源 — 每日扫描公众号短剧爆款文章,按阅读量筛选热门内容,智能聚类题材方向后生成包含封面图、互动数据与创作洞察的HTML日报…»
短剧-公众号信息源 — 每日扫描公众号短剧爆款文章,按阅读量筛选热门内容,智能聚类题材方向后生成包含封面图、互动数据与创作洞察的HTML日报。支持按题材(穿越/霸总/重生等)、公众号、时间范围定向查询。⚠️数据每日15:00更新前一天数据,目标日期无数据时必须先告知用户并等待确认后才能调用接口,禁止自动获取。当用户需要短剧公众号日报、公众号短剧爆款、短剧热点、短剧创作趋势或自定义题材查询时使用。
Источник информации для коротких сериалов в WeChat — ежедневно сканирует популярные статьи о коротких сериалах в WeChat, отбирает популярный контент по…
Как процесс D 41/100 · Процесс не доведён — 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: 8. 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")
Процессный рейтинг: все десять параметров 41/100
- 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
- 40Согласованность. Имя во frontmatter (playlet-wechat-feed) не совпадает с папкой (playlet-gzh-feed)
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 100Шаги. Шагов: 56
- 100Стоимость исполнения. Тело инструкции 3116 токенов
- 100Повторный запуск. Изменяющих операций нет
- 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
- +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
- -4Абсолютные локальные пути (C:\Users, /home/…): скилл не переносим
- -237 эмодзи в инструкциях: шум для модели
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 199 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 37 заголовков
- +3Пошаговые инструкции: 56 пунктов
- +4Есть примеры (9 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (2 из 2)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.