SKILLEMALL.ai
EN Войти

AC pengyouquan-pangyu

Используйте, когда пользователь упоминает "胖鱼朋友圈" и хочет написать пост в WeChat Moments. Анализирует прошлый стиль письма пользователя на основе справочных материалов, направляет через диалоговый процесс для понимания потребностей в обмене, затем генерирует текст, соответствующий стилю, для подтверждения пользователем. Активируется ключевыми словами, такими как 胖鱼朋友圈, 发胖鱼朋友圈, 写胖鱼朋友圈.

машинный переводПоказать оригиналСкрыть оригинал«Use when user mentions "胖鱼朋友圈" and wants to write a WeChat Moments pos…»

Use when user mentions "胖鱼朋友圈" and wants to write a WeChat Moments post. Analyzes user's past writing style from reference materials, guides through a conversational process to understand sharing needs, then generates style-consistent copy for user confirmation. Triggered by keywords like 胖鱼朋友圈, 发胖鱼朋友圈, 写胖鱼朋友圈.

modbender/skill-library-mcp Agent Skills автор: modbender MIT 3 файла тело ≈ 980 токенов Открыть источникgithub.com↗ проанализирован 2 дн назад

Анализирует прошлый стиль письма пользователя на основе справочных материалов, направляет через диалоговый процесс для понимания потребностей в обмене, затем…

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

ГенераторТексты и документытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
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

    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

    ✓ По спецификации Agent Skills замечаний нет

    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: 63
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 980 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

    • +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 312 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 26 заголовков
    • +3Пошаговые инструкции: 63 пунктов
    • +4Есть примеры (2 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (2 из 2)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.