SKILLEMALL.ai

AC kitt-writer

Навык написания длинных статей для WeChat от цифрового ИИ-агента Kitt (KittLabs). Используйте, когда пользователю нужно написать статью для WeChat, написать черновик, продолжить статью или создать длинный текст на основе материалов. Он ориентирован на длинные статьи для WeChat с легким профессиональным оттенком, но сохраняющий естественный тон. Триггеры включают, но не ограничиваются: написать статью, написать черновик, помоги мне написать, продолжить, расширить, статья для WeChat, длинный текст, создать черновик, писать в моем стиле. Даже если пользователь просто говорит «помоги мне написать это в виде статьи» или «напиши в моем стиле», если контекст касается создания контента и вывода для WeChat, он должен срабатывать. Также подходит для случаев, когда пользователь предоставляет PDF, бриф, ссылку на новость, аудиозапись, преобразованную в текст, или любой другой материал и говорит «напиши мне статью». Не используйте для короткого контента (посты в Xiaohongshu, Twitter,朋友圈) или чистого создания заголовков/резюме (для этого используйте навык wechat-title).

машинный переводПоказать оригиналСкрыть оригинал«数字生命Kitt智能体(KittLabs)的公众号长文写作skill。当用户需要撰写公众号文章、写稿子、续写文章、根据素材产出长文时使用。它…»

数字生命Kitt智能体(KittLabs)的公众号长文写作skill。当用户需要撰写公众号文章、写稿子、续写文章、根据素材产出长文时使用。它偏向带一点专业介绍感、但仍保留真人口吻的公众号长文。触发词包括但不限于:写文章、写稿子、帮我写、续写、扩写、公众号文章、长文、出稿、按我的风格写。即使用户只是说"帮我把这个写成文章"或"用我的风格写一下",只要上下文涉及内容创作和公众号输出,都应该触发。也适用于用户丢过来一个PDF、brief、新闻链接、语音转文字或任何素材说"帮我写篇文章"的场景。不要用于短内容(小红书帖子、推特、朋友圈)或纯标题摘要生成(那个用wechat-title skill)。

ClawHub Agent Skills автор: Chris Yang v1.0.0 MIT-0 4 файла тело ≈ 3 681 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Навык написания длинных статей для WeChat от цифрового ИИ-агента Kitt (KittLabs).

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

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
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.
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

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

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. Внешние инструменты не нужны
  • 100Шаги. Шагов: 90
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 3681 токенов
  • 100Повторный запуск. Изменяющих операций нет

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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 299 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 24 заголовков
  • +3Пошаговые инструкции: 90 пунктов
  • +4Есть примеры (3 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)

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

Внешние проверки

ClawHub: clean
This is a markdown-only Chinese long-form writing style skill with broad activation wording, but it does not run code, access accounts, persist, or modify user data.
LLM: benign (high) · VirusTotal: · 28 мая 2026 г.