SKILLEMALL.ai
GitHub ↗ EN Войти

AB research-to-wechat

Комплексный оркестратор статей WeChat, который превращает ключевое слово, статью, URL или транскрипцию видео в исследованную статью с выбранным голосом, отполированным Markdown, встроенными изображениями, обложкой, HTML-кодом, готовым для WeChat, и сохраненным черновиком в браузере. Используйте, когда пользователь хочет провести глубокое исследование, написать статью, оформить ее, подобрать иллюстрации, преобразовать в HTML или сгенерировать черновик для WeChat.

машинный переводПоказать оригиналСкрыть оригинал«An end-to-end WeChat article orchestrator that turns a keyword, articl…»

An end-to-end WeChat article orchestrator that turns a keyword, article, URL, or video transcript into a researched article with a chosen voice, polished Markdown, inline visuals, cover image, WeChat-ready HTML, and a browser-saved draft. Use when the user wants 深度研究、写作、排版、配图、HTML 转换、或公众号草稿生成.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 8 файлов тело ≈ 599 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Комплексный оркестратор статей WeChat, который превращает ключевое слово, статью, URL или транскрипцию видео в исследованную статью с выбранным голосом…

Как процесс B 65/100 · Почти готов — слабые места: входы и предусловия, ошибки и развилки, повторный запуск

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
B
65/100
Почти готов
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: 8. 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 65/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 47
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 599 токенов

    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)
    • +4Нет примеров входа/выхода
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 294 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 8 заголовков
    • +3Пошаговые инструкции: 47 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (3 из 5)

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