SKILLEMALL.ai
GitHub ↗ EN Войти

AC content-repurposer

Преобразуйте длинный контент в несколько форматов для распространения. Автоматически преобразует сообщения в блогах, статьи или транскрипции в цепочки для Twitter/X, сообщения для LinkedIn, информационные бюллетени по электронной почте и короткие сообщения для социальных сетей. Используйте, когда вам нужно максимизировать охват контента без переписывания с нуля, при перепрофилировании транскрипций вебинаров или при создании календаря контента из существующих материалов.

машинный переводПоказать оригиналСкрыть оригинал«Transform long-form content into multiple formats for distribution. Au…»

Transform long-form content into multiple formats for distribution. Automatically converts blog posts, articles, or transcripts into Twitter/X threads, LinkedIn posts, email newsletters, and social media snippets. Use when you need to maximize content reach without rewriting from scratch, when repurposing webinar transcripts, or when creating a content calendar from existing assets.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 1 файл тело ≈ 1 309 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Преобразуйте длинный контент в несколько форматов для распространения.

Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

ГенераторТексты и документытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
C
57/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
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: 1. 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 57/100

    • 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 (content-repurposer) не совпадает с папкой (content-repurposer-pro)
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 62
    • 100Стоимость исполнения. Тело инструкции 1309 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

    • +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 385 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 25 заголовков
    • +3Пошаговые инструкции: 62 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (5 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.