SKILLEMALL.ai

AB linkedin-thread-engagement

Отслеживает ветки LinkedIn, где пользователь комментировал, на предмет ответов автора и входящих сигналов. Используйте, когда пользователь хочет отслеживать, какие из его комментариев получили личные ответы от авторов постов (наиболее ценный сигнал вовлеченности). Помечает 6-24-часовое «окно Кевина Пейна», когда ответы автора наиболее вероятны, составляет черновики последующих ответов и опционально перенаправляет в DM. Ключевые слова: отслеживание ветки, ответ автора, отслеживание входящих, последующий комментарий, усиление вовлеченности.

машинный переводПоказать оригиналСкрыть оригинал«Monitor LinkedIn threads where the user commented for author replies a…»

Monitor LinkedIn threads where the user commented for author replies and inbound signals. Use when the user wants to track which of their comments earned personal replies from post authors (the highest-value engagement signal). Flags the 6-24h "Kevin Payne window" where author replies are most likely, drafts follow-up responses, and optionally routes to DM. Keywords: thread monitoring, author reply, inbound tracking, comment follow-up, engagement compound.

ClawHub Agent Skills автор: Sergey Bulaev v1.0.0 MIT-0 3 файла тело ≈ 1 129 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Отслеживает ветки LinkedIn, где пользователь комментировал, на предмет ответов автора и входящих сигналов.

Как процесс B 72/100 · Почти готов — слабые места: повторный запуск, отчётность по ходу

ГенераторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
B
72/100
Почти готов
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Инструменты и файлы вес 18
60
три самых слабых из десяти параметров · все десять

Как улучшить

    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 frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Monitor LinkedIn threads where the user commented for author repli… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении

    Процессный рейтинг: все десять параметров 72/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 60Ошибки и развилки. Развилок: 2
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 50
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1129 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 460 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 14 заголовков
    • +3Пошаговые инструкции: 50 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (0 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.

    Внешние проверки

    ClawHub: suspicious
    This LinkedIn monitoring skill is coherent, but it may send profile and comment activity to an external API and can delegate replies to an auto-posting backend without a clear approval gate.
    LLM: suspicious (medium) · VirusTotal: · 29 мая 2026 г.