SKILLEMALL.ai

AD wechat-assistant

Помощник для интеллектуального анализа и автоматического ответа на основе истории чатов в WeChat; автоматически извлекает историю чатов, интеллектуально анализирует и извлекает потребности, генерирует ответный контент и поддерживает проверку и отправку; используется, когда пользователю нужно проанализировать данные чатов WeChat, автоматически сгенерировать ответ, управлять контактами или планировать напоминания о задачах.

машинный переводПоказать оригиналСкрыть оригинал«微信聊天记录智能分析与自动回复助手;自动抓取聊天记录、智能分析挖掘需求、生成回复内容并支持审核发送;当用户需要分析微信聊天数据、自动生成回复…»

微信聊天记录智能分析与自动回复助手;自动抓取聊天记录、智能分析挖掘需求、生成回复内容并支持审核发送;当用户需要分析微信聊天数据、自动生成回复、管理人脉关系或规划任务提醒时使用

ClawHub Agent Skills автор: luemery v1.0.0 MIT-0 9 файлов тело ≈ 549 токенов Открыть источникclawhub.ai проанализирован 16 ч назад

Помощник для интеллектуального анализа и автоматического ответа на основе истории чатов в WeChat; автоматически извлекает историю чатов, интеллектуально…

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

ПроцедураРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
75
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: 1. 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 "dependency"

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 (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 28
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 549 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: 15 заголовков
  • +3Пошаговые инструкции: 28 пунктов
  • +4Есть примеры (5 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +3Все 5 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 75.

Внешние проверки

ClawHub: suspicious
This WeChat assistant is mostly coherent, but it handles private chats and stores message data with too little privacy scoping or retention control.
LLM: suspicious (high) · 12 июн. 2026 г.