SKILLEMALL.ai
GitHub ↗ EN Войти

BC social-sentiment-tool-free

Бесплатная версия анализа эмоционального тона в социальных сетях предоставляет пользователям легкие возможности мониторинга эмоционального тона в социальных сетях. Основные возможности: - Сбор данных из социальных сетей одной платформы - Классификация эмоционального тона по ключевым словам (положительный/отрицательный/нейтральный) - Извлечение основных тем - Статистика распределения эмоционального тона Сценарии использования: - Мониторинг репутации личного бренда - Анализ отзывов пользователей о продукте - Отслеживание тенденций эмоционального тона по темам Отличия: бесплатная версия фокусируется на основном процессе анализа эмоционального тона, использует Python+CSV для легкого развертывания, подходит для личного мониторинга эмоционального тона бренда или темы на одной платформе без сложной настройки. Применимые ключевые слова: социальные сети, анализ эмоционального тона, sentiment, мониторинг репутации, отслеживание бренда, анализ общественного мнения, мониторинг ключевых слов.

машинный переводПоказать оригиналСкрыть оригинал«社交情感分析免费版为个人用户提供轻量级的社交媒体情感监控能力. 核心能力: - 单平台社交媒体数据采集 - 关键词情感分类(正面/负面/中性…»

社交情感分析免费版为个人用户提供轻量级的社交媒体情感监控能力. 核心能力: - 单平台社交媒体数据采集 - 关键词情感分类(正面/负面/中性) - 基础主题提取 - 情感分布统计 适用场景: - 个人品牌口碑监控 - 产品用户反馈分析 - 话题情感趋势追踪 差异化:免费版聚焦核心情感分析流程,通过Python+CSV实现轻量部署,适合个人用户监控单一平台的品牌或话题情感,无需复杂配置. 适用关键词: 社交媒体, 情感分析, sentiment, 口碑监控, 品牌追踪, 舆情分析, 关键词监控

ClawHub Hermes автор: 天轰穿 v1.0.1 MIT-0 2 файла тело ≈ 2 626 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Бесплатная версия анализа эмоционального тона в социальных сетях предоставляет пользователям легкие возможности мониторинга эмоционального тона в социальных…

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Hermes Agent
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
64
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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.
  2. Для Hermes description должен быть одним предложением до 60 символов; условия применения вынесите в раздел «When to Use».
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-long-hermes description 248 символов, а стандарт Hermes требует ≤ 60 (одно предложение, с точкой)
  • предупреждение description-no-when ни description, ни раздел "## When to Use" не говорят, когда применять скилл
  • заметка frontmatter-key неизвестное поле фронтматтера "slug"
  • заметка frontmatter-key неизвестное поле фронтматтера "displayName"
  • заметка frontmatter-key неизвестное поле фронтматтера "summary"
  • заметка frontmatter-key неизвестное поле фронтматтера "edition"
  • заметка frontmatter-key неизвестное поле фронтматтера "tools"
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 21
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2626 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 12. 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
  • +2Инструкции на одном языке
  • +3Длина description 248 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 44 заголовков
  • +3Пошаговые инструкции: 21 пунктов
  • +4Есть примеры (14 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 64.

Внешние проверки

ClawHub: clean
This skill is a local CSV-based social sentiment analysis guide with proportionate Python and pandas use, though users should handle social-media data and API keys carefully.
LLM: benign (high) · VirusTotal: · 26 июл. 2026 г.