SKILLEMALL.ai

BD linkpix-detail-page

Автоматическое создание наборов изображений для страницы сведений о товаре из изображений товара, объединяя преимущества товара, сценарии использования, параметры и маркетинговый контент для быстрого создания высококонверсионных страниц сведений. Обязательно активировать, когда пользователь просит создать изображения для страницы сведений, страницу сведений, длинное изображение, изображения с описанием продукта, изображения с преимуществами товара. Ключевые слова: LinkPix, qhkit, изображения для страницы сведений, страница сведений, длинное изображение, наборы изображений для страницы сведений, изображения с преимуществами товара, изображения с описанием продукта, высококонверсионная страница сведений, страница A+.

машинный переводПоказать оригиналСкрыть оригинал«根据商品图自动生成详情页图片套图,整合卖点、场景、参数及营销内容,快速制作高转化详情页。当用户要求生成详情图、详情页、长图、产品介绍图、卖点…»

根据商品图自动生成详情页图片套图,整合卖点、场景、参数及营销内容,快速制作高转化详情页。当用户要求生成详情图、详情页、长图、产品介绍图、卖点图时必须触发。关键词:LinkPix、qhkit、详情图、详情页、长图、详情页套图、卖点图、产品介绍图、高转化详情页、A+页面。

ClawHub Agent Skills автор: AutoAGC v0.1.5 MIT-0 2 файла тело ≈ 878 токенов Открыть источникclawhub.ai проанализирован 35 ч назад

Автоматическое создание наборов изображений для страницы сведений о товаре из изображений товара, объединяя преимущества товара, сценарии использования…

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураДанные и аналитикаТорговлятип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
D
46/100
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")
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (bash, node), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 20
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 878 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 134 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 7 заголовков
  • +3Пошаговые инструкции: 20 пунктов
  • +4Есть примеры (4 блоков кода)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: suspicious
The skill’s image-generation purpose is coherent, but it asks the agent to install and upgrade mutable third-party CLI code and store a service token with limited user control.
LLM: suspicious (high) · 8 сент. 2026 г.