AB comment-voc-miner
Превратите общедоступные комментарии в полезную сводку. Предоставьте ссылку на пост, категорию для поиска или уже скопированные комментарии, и получите возражения, дословные цитаты, опасения по поводу покупки, ответы на часто задаваемые вопросы, ответы в прямом эфире и произнесенные крючки, которые исходят из того, что реально написали зрители. Этот рабочий процесс анализа комментариев читает общедоступные комментарии в Douyin, TikTok, Xiaohongshu, Instagram, YouTube и X, а также ветки ответов в Douyin, TikTok, Xiaohongshu, Instagram и YouTube, или работает с вставленными вами комментариями, а затем группирует реальный язык аудитории в краткую сводку того же дня. Используйте его для анализа комментариев, анализа разделов комментариев, майнинга комментариев, VOC-инсайтов, инсайтов аудитории, исследований голоса пользователя, написания FAQ и ответов в прямом эфире, которые звучат как аудитория.
машинный переводПоказать оригиналСкрыть оригинал«Turn public comments into a usable brief. Give a post link, a category…»
Turn public comments into a usable brief. Give a post link, a category to search, or comments you already copied, and get the objections, verbatim lines, purchase worries, FAQ answers, live-commerce replies, and spoken hooks that come from what viewers actually wrote. This comment analysis workflow reads public comments on Douyin, TikTok, Xiaohongshu, Instagram, YouTube, and X, and reply threads on Douyin, TikTok, Xiaohongshu, Instagram, and YouTube, or works from comments you paste, then groups the real audience language into a same-day brief. Use it for comment analysis, comment-section analysis, comment mining, VOC insight, audience insight, user voice research, FAQ writing, and live-commerce answers that sound like the audience.
Превратите общедоступные комментарии в полезную сводку.
Как процесс B 66/100 · Почти готов — слабые места: результат и критерий готовности, повторный запуск, отчётность по ходу
Как улучшить
- 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: 16. 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 66/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 14
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1962 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- -32 из 3 скриптов не упомянуты в SKILL.md
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 742 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 10 заголовков
- +3Пошаговые инструкции: 14 пунктов
- +4Есть примеры (2 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (10 из 10)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 85.