SKILLEMALL.ai

AB linkedin-thread-monitor

Отслеживает, на какие комментарии в LinkedIn вы получили ответ автора. Выделяет 6-24 часовое окно для быстрого ответа, когда активность в обсуждении максимальна, классифицирует обсуждения как "горячие"/"теплые"/"прохладные"/"спящие" и направляет "теплые" в linkedin-reply-handler для подготовки ответов. Работает на Apify, без входа в LinkedIn. Активируется по запросам "какие обсуждения требуют ответа", "автор ответил", "следи за моими комментариями". Не для анализа лайков под постом (используйте linkedin-engager-analytics).

машинный переводПоказать оригиналСкрыть оригинал«Track which of your LinkedIn comments earned author replies. Flags the…»

Track which of your LinkedIn comments earned author replies. Flags the 6-24h warm-reply window where thread momentum peaks, classifies threads as hot/warm/cool/dormant, and routes warm ones to linkedin-reply-handler for follow-up drafts. Powered by Apify, no LinkedIn login. Triggers on "what threads need follow-up", "author replied", "monitor my comments". Not for analyzing likers on a post (use linkedin-engager-analytics).

ClawHub Agent Skills автор: Sergey Bulaev v1.0.9 MIT-0 4 файла тело ≈ 1 040 токенов Открыть источникclawhub.ai проанализирован 22 ч назад

Отслеживает, на какие комментарии в LinkedIn вы получили ответ автора.

Как процесс B 69/100 · Почти готов — слабые места: ошибки и развилки, повторный запуск, отчётность по ходу

АнализаторДанные и аналитикаФинансытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
96
Прогон на моделях
не было
Процессный рейтинг
B
69/100
Почти готов
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 69/100

    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 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
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 30
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1040 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

    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +5В description 3 примера фраз-триггеров в кавычках
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 427 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 11 заголовков
    • +3Пошаговые инструкции: 30 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 96.

    Внешние проверки

    ClawHub: clean
    This documentation-only skill monitors LinkedIn comment threads through Apify and drafts follow-ups, with privacy and outreach considerations but no hidden code or automatic posting.
    LLM: benign (high) · VirusTotal: · 6 июл. 2026 г.