SKILLEMALL.ai

AC content-goldmine

Разбирает популярные статьи, извлекает строительные блоки идей, анализирует структуру письма. Срабатывает, когда пользователь просит «разобрать эту статью», «проанализировать структуру статьи», «извлечь писательские приемы», «почему эта статья хороша», «научиться писать как в этой статье», «извлечь золотые цитаты», «проанализировать хит», «разобрать контент», «content goldmine», «разобрать блоки». Также подходит для случаев, когда пользователь говорит «эта статья написана хорошо, помоги мне проанализировать», «я хочу научиться такому стилю письма», «помоги мне извлечь то, что можно повторно использовать». Срабатывает, когда пользователь предоставляет статью и хочет научиться методам письма, даже если он не говорит явно «разобрать».

машинный переводПоказать оригиналСкрыть оригинал«拆解爆款文章、提取创意积木、分析写作结构。当用户要求"拆解这篇文章"、"分析文章结构"、"提取写作技巧"、"为什么这篇文章好"、"学习这篇文…»

拆解爆款文章、提取创意积木、分析写作结构。当用户要求"拆解这篇文章"、"分析文章结构"、"提取写作技巧"、"为什么这篇文章好"、"学习这篇文章的写法"、"提取金句"、"分析爆款"、"内容拆解"、"content goldmine"、"拆解积木"时触发。也适用于用户说"这篇文章写得好,帮我分析一下"、"我想学这种写法"、"帮我提取可复用的东西"等场景。当用户给出一篇文章并希望从中学习写作方法时,即使没有明确说"拆解",也应触发。

ClawHub Agent Skills автор: liujuntao123 v1.0.0 MIT-0 3 файла тело ≈ 628 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Разбирает популярные статьи, извлекает строительные блоки идей, анализирует структуру письма.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
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: 3. 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 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: 34
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 628 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

  • +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
  • +5В description 9 примера фраз-триггеров в кавычках
  • +3Длина description 215 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +3Пошаговые инструкции: 34 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 81.

Внешние проверки

ClawHub: clean
This writing-analysis skill is coherent and only contains Markdown instructions, though users should approve any note-saving before it writes to an Obsidian vault or material library.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.