SKILLEMALL.ai
EN Войти

BD wechat-article

Инструмент для извлечения статей из официальных аккаунтов WeChat. Сценарии использования: (1) извлечение списка статей и их содержания из официальных аккаунтов, (2) поиск официальных аккаунтов, (3) получение ссылок на статьи. Используйте этот навык, когда пользователь упоминает статьи из официальных аккаунтов WeChat, извлечение из официальных аккаунтов, сбор статей WeChat.

машинный переводПоказать оригиналСкрыть оригинал«微信公众号文章抓取工具。使用场景：(1) 抓取公众号文章列表和内容，(2) 搜索公众号，(3) 获取文章链接。当用户提到微信公众号文章、公众…»

微信公众号文章抓取工具。使用场景：(1) 抓取公众号文章列表和内容，(2) 搜索公众号，(3) 获取文章链接。当用户提到微信公众号文章、公众号抓取、微信文章采集时使用此技能。

ClawHub Agent Skills автор: Nurmamat v1.0.0 2 файла тело ≈ 127 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Инструмент для извлечения статей из официальных аккаунтов WeChat.

Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураТексты 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
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
D
49/100
Процесс не доведён
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: 2. 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 49/100

  • 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
  • 40Согласованность. Имя во frontmatter (wechat-article) не совпадает с папкой (hermione-wechat-article)
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 5
  • 100Стоимость исполнения. Тело инструкции 127 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)
  • +3Длина description 87: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +4Структура: 6 заголовков
  • +3Пошаговые инструкции: 5 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: suspicious
This WeChat article scraper has a real credential-handling problem: it ships and uses an embedded authenticated WeChat cookie instead of relying on the user-controlled cookie file described in the documentation.
LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.