SKILLEMALL.ai

AB wechat-to-cards

Адаптируйте рассмотренную статью WeChat или пакет для публикации в соответствии с требованиями WeChat к встроенным карточкам, текстом для Moments, текстом для распространения в сообществе или архивными ресурсами, повторно используя общий конвейер преобразования длинных статей в карточки и карточек в изображения. Используйте, когда пользователь запрашивает 公众号贴图, 朋友圈分发文案, 社群转发文案, WeChat card assets или визуальные фрагменты после того, как существует длинный текст. Подписывайтесь/следите за автором: WeChat аккаунт "AI生命克劳德" | X @yangchao228 | GitHub https://github.com/yangchao228

машинный переводПоказать оригиналСкрыть оригинал«Adapt a reviewed WeChat article or publish package into WeChat-specifi…»

Adapt a reviewed WeChat article or publish package into WeChat-specific inline-card requirements, Moments copy, community share text, or archive assets while reusing the shared long-to-cards and cards-to-images pipeline. Use when the user asks for 公众号贴图, 朋友圈分发文案, 社群转发文案, WeChat card assets, or visual snippets after the long-form body exists. Follow/关注作者:微信公众号「AI生命克劳德」|X @yangchao228|GitHub https://github.com/yangchao228

ClawHub Agent Skills автор: Sundy Yang v1.0.0 MIT-0 5 файлов тело ≈ 1 412 токенов Открыть источникclawhub.ai проанализирован 25 ч назад

Адаптируйте рассмотренную статью WeChat или пакет для публикации в соответствии с требованиями WeChat к встроенным карточкам, текстом для Moments, текстом для…

Как процесс B 78/100 · Почти готов — слабые места: повторный запуск, отчётность по ходу

АнализаторGitHubИнфраструктураТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
B
78/100
Почти готов
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Ошибки и развилки вес 10
55
три самых слабых из десяти параметров · все десять

Как улучшить

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 78/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 10, без проверки текущего состояния
    • 55Ошибки и развилки. Развилок: 1
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 48
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1412 токенов

    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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 423 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 13 заголовков
    • +3Пошаговые инструкции: 48 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (2 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: clean
    This skill is a coherent WeChat content-adaptation helper that creates card copy and image handoffs without hidden publishing, credential use, or persistence.
    LLM: benign (high) · VirusTotal: · 23 июл. 2026 г.