SKILLEMALL.ai

BC faceless-video-automation

Автоматизированная система для создания видео для каналов без лица. Охватывает весь процесс создания видео без лица на платформах Bilibili, YouTube, TikTok и других: поиск популярных тем → генерация AI-сценариев → AI-озвучка (разные голоса) → подбор видеоматериалов (бесплатные стоки/AI-генерация) → генерация субтитров → адаптация и публикация на разных платформах. Поддерживает пакетное производство, 5-10 видео в день. Триггерные слова: видео без лица, не показывать лицо, AI-видео, автоматизация канала, пакетное создание коротких видео.

машинный переводПоказать оригиналСкрыть оригинал«AI无脸视频频道自动化系统。覆盖B站、YouTube、抖音等平台 的无脸/不露脸视频创作全流程:爆款选题挖掘→AI脚本生成→ AI配音(多种…»

AI无脸视频频道自动化系统。覆盖B站、YouTube、抖音等平台 的无脸/不露脸视频创作全流程:爆款选题挖掘→AI脚本生成→ AI配音(多种声线)→画面素材匹配(免费图库/AI生成)→ 字幕生成→多平台适配发布。支持批量生产,日更5-10条视频。 触发词:无脸视频、不露脸、AI视频、频道自动化、短视频批量。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 4 файла тело ≈ 884 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Автоматизированная система для создания видео для каналов без лица.

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

ПроцедураYouTubeМедиа и видеотип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
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: 4. 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 "agent_created"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "display_name_en"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_zh"
  • заметка frontmatter-key неизвестное поле фронтматтера "description_en"
  • заметка frontmatter-key неизвестное поле фронтматтера "visibility"

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. Инструменты объявлены во frontmatter
  • 100Шаги. Шагов: 32
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 884 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 154 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 17 заголовков
  • +3Пошаговые инструкции: 32 пунктов
  • +4Есть примеры (3 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: suspicious
The skill’s video workflow is mostly coherent, but it also adds an automatic generic learning system that stores user preferences, error notes, and usage history locally and can steer future behavior.
LLM: suspicious (high) · 14 авг. 2026 г.