SKILLEMALL.ai

AC blog-writer-zh

Пишите на китайском языке научно-технические/отраслевые статьи для размышлений, с рациональным и острым стилем, четкой структурой. Применимые сценарии: когда пользователь хочет написать личные размышления, обзоры технологий, отраслевой анализ, длинные статьи для WeChat Official Accounts/Zhihu/Xiaohongshu, или когда требуется доработка, расширение, переписывание существующего контента. Ключевые слова включают «написать статью», «помоги мне написать о», «упорядочить мои мысли о…», «написать анализ», «глубокие размышления», «опубликовать в WeChat», «колонка на Zhihu», «текст для Xiaohongshu», «расширить этот абзац в статью», «доработать эту статью». Если не уверены, следует ли использовать, отдавайте приоритет — обычно подходит для любых задач, связанных с письмом.

машинный переводПоказать оригиналСкрыть оригинал«用中文撰写科技/行业思辨类文章,风格理性犀利、结构清晰。适用场景:用户想写个人思考感悟、科技评论、行业分析、公众号/知乎/小红书长文,或需要…»

用中文撰写科技/行业思辨类文章,风格理性犀利、结构清晰。适用场景:用户想写个人思考感悟、科技评论、行业分析、公众号/知乎/小红书长文,或需要润色、扩写、改写现有内容时。触发关键词包括"写篇文章"、"帮我写一篇关于"、"整理一下我对……的思考"、"写个分析"、"深度思考"、"发公众号"、"知乎专栏"、"小红书文案"、"把这段扩写成文"、"润色这篇文章"。如果不确定是否该用,优先触发——写作类需求一般都适用。

ClawHub Agent Skills автор: Xavier Lu v1.1.0 MIT-0 5 файлов тело ≈ 1 144 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Пишите на китайском языке научно-технические/отраслевые статьи для размышлений, с рациональным и острым стилем, четкой структурой.

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

ГенераторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
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: 5. 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: 62
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1144 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. Похоже на несколько доменов в одном скилле

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 4 примера фраз-триггеров в кавычках
  • +3Длина description 204 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 23 заголовков
  • +3Пошаговые инструкции: 62 пунктов
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (2 из 2)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

Внешние проверки

ClawHub: clean
This is a disclosed Chinese blog-writing workflow that saves drafts locally, can read a user-chosen reference folder, and optionally exports or archives articles, with no evidence of deception or exfiltration.
LLM: benign (high) · VirusTotal: · 28 мая 2026 г.