SKILLEMALL.ai

BC content-repurposer

Преобразует контент в полный мультиплатформенный пакет — тред X/Twitter, пост LinkedIn, раздел рассылки, карусель Instagram и сценарий короткого видео — каждый из которых будет переписан нативно для своей платформы, а не скопирован и вставлен. Используйте, когда вас попросят повторно использовать контент, разбить блог или видео на части, преобразовать идею во множество постов или получить больший охват от одного материала. Создает готовые к публикации черновики для каждой платформы с учетом её особенностей, форматирования и призывов к действию.

машинный переводПоказать оригиналСкрыть оригинал«Convierte un contenido en un paquete completo multiplataforma — hilo d…»

Convierte un contenido en un paquete completo multiplataforma — hilo de X/Twitter, post de LinkedIn, sección de newsletter, carrusel de Instagram y script de video corto — cada uno reescrito nativamente para su plataforma, no copiado y pegado. Úsalo cuando te pidan reutilizar contenido, atomizar un blog o vídeo, convertir una idea en muchos posts u obtener más alcance de una pieza. Produce borradores listos para publicar por plataforma con hooks, formato y CTAs ajustados a cada una.

mohitagw15856/pm-claude-skills Agent Skills автор: mohitagw15856 MIT 1 файл тело ≈ 833 токенов Открыть источникgithub.com проанализирован 27 ч назад

Преобразует контент в полный мультиплатформенный пакет — тред X/Twitter, пост LinkedIn, раздел рассылки, карусель Instagram и сценарий короткого видео —…

Как процесс C 61/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки

ГенераторМаркетингТексты и документыМедиа и видеотип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
85/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
63
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Результат и критерий готовности вес 14
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
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: 1. 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 61/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 70Входы и предусловия. Входные данные и предусловия перечислены
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 14
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 833 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +4Нет примеров входа/выхода
  • -5В тексте остались TODO / заглушки
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 487 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 11 заголовков
  • +3Пошаговые инструкции: 14 пунктов

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 63.