SKILLEMALL.ai
EN Войти

AC guaikei-xhs-comment-sentiment

Возвращает структурированные данные Xiaohongshu в формате JSON для последующего обобщения тем, агрегирования высокооцененных постов, кластеризации комментариев, генерации отчетов. Используется, когда пользователь хочет создать таблицу, отчет или сравнительный анализ на основе данных Xiaohongshu; применим, даже если пользователь не упомянул «отчет», но в цепочке задач есть шаг «сначала получить данные Xiaohongshu». Не отвечает за окончательное форматирование отчета, только за предоставление исходных данных.

машинный переводПоказать оригиналСкрыть оригинал«返回结构化 JSON 的小红书数据，便于后续做选题汇总、高赞对比、评论聚类、报告生成。当用户要基于小红书数据产出表格、报告或对比分析时使用本…»

返回结构化 JSON 的小红书数据，便于后续做选题汇总、高赞对比、评论聚类、报告生成。当用户要基于小红书数据产出表格、报告或对比分析时使用本技能；即使用户没说"报告"，只要任务链中包含"先拿小红书数据"这一步也适用。不负责最终报告排版，只提供原始数据。

ClawHub Agent Skills автор: engheng-art v1.0.0 MIT-0 24 файла тело ≈ 988 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Возвращает структурированные данные Xiaohongshu в формате JSON для последующего обобщения тем, агрегирования высокооцененных постов, кластеризации…

Как процесс C 53/100 · Есть пробелы — 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 24. 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 "name_cn"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 19
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 988 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
  • +2Инструкции на одном языке
  • +3Длина description 126 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 19 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: suspicious
The skill mostly matches its Xiaohongshu data-retrieval purpose, but it sends user inputs to a third-party service and automatically saves full results locally without strong user controls.
LLM: suspicious (high) · VirusTotal: · 13 авг. 2026 г.