小林子

完整阅读了该技能的全部文件（SKILL.md、main.py、README.md），以下是基于实际代码和文档的评测。 该技能是一个面向即梦/Seedance AI视频生成平台的提示词生成工具，将剧情文本智能转换为结构化的七段式视频提示词。核心代码main.py约500行，包含4个主要类：StyleAnchors（10种风格预设，每种含色彩/光线/镜头/氛围/技术参数/关键词完整配置）、ElementExtractor（基于关键词和正则的要素抽取器，提取人物/动作/情绪/场景/物品/时间）、PromptBuilder（七段式提示词构建器）、JimengPromptGenerator（主协调类）。 亮点在于：1）10种风格锚点设计专业且细致，每种风格都有独立的色彩调色板、光线方案、镜头语言和氛围描述，比如赛博朋克风格对应霓虹蓝+品红+荧光绿+荷兰角+鱼眼效果，暗黑童话对应暗紫+深绿+侧光+低角度超广角，这些参数对视频生成的视觉一致性非常关键；2）七段式提示词结构设计合理（技术参数→主体→动作序列→场景环境→镜头语言→技术约束→风格锚点），覆盖了视频生成的核心维度；3）自动注入稳定性约束参数（CFG 6、Motion Bucket ID 126、16:9比例、负向提示词），减少了用户手动调参的门槛；4）纯Python标准库实现，零依赖开箱即用，支持命令行和JSON输出。 不足之处：1）要素抽取能力较基础，依赖硬编码的关键词字典匹配（如情绪检测通过固定词汇列表「开心/快乐/悲伤/愤怒」等），对含蓄表达或复杂语义的理解有限，比如「她咬着嘴唇」这种描述无法被识别为紧张情绪；2）主体描述段直接截取输入文本前150字作为概述，缺乏智能概括能力；3）10种风格预设虽然覆盖面广，但风格之间切换只是参数替换，没有基于输入内容自动推荐风格的功能；4）动作提取仅识别简单动词，无法理解动作序列的时序关系和因果关系；5）缺少批量处理能力，无法一次性处理多段剧情生成连续分镜提示词。

仔细阅读了该技能的全部文件（SKILL.md、handler.js/handler.ts、HOOK.md、3个references文档、3个shell脚本、assets模板），以下是基于实际内容的评测。 该技能是一个面向Coding Agent的持续学习与自我改进框架，核心思路是在项目目录下维护.learnings/文件夹，通过结构化的Markdown文件（LEARNINGS.md、ERRORS.md、FEATURE_REQUESTS.md）记录学习成果、错误和功能请求，并支持将高价值学习成果提升（promote）到项目级别的记忆文件（CLAUDE.md、AGENTS.md、SOUL.md等）。 优点十分突出：1）日志格式设计非常规范，包含ID编号（LRN/ERR/FEAT-YYYYMMDD-XXX）、优先级、状态追踪、分区标签等，专业且可追溯；2）完整的学习生命周期管理——从记录→链接关联→模式检测→提升到永久记忆→技能提取，形成完整闭环；3）提供了实际可用的Hook脚本（activator.sh在UserPromptSubmit时注入提醒，error-detector.sh在PostToolUse时检测错误模式），handler.js为OpenClaw平台提供了bootstrap注入；4）多Agent适配，支持Claude Code、Codex CLI、GitHub Copilot、OpenClaw等不同平台；5）技能提取功能（extract-skill.sh）允许将反复出现的学习成果转化为独立技能，这是很有创意的设计。 但也有一些不足：1）安全报告标记该技能为safe_duplicate（疑似重复，85%相似度），与平台已有的Self-Improvement自我提升技能高度重叠，稀缺性受影响；2）要素抽取依赖关键词匹配（如error-detector.sh通过固定字符串模式检测），在复杂场景下可能漏检误检；3）对非OpenClaw/非Claude Code用户来说，Hook集成配置有一定门槛；4）学习成果的提升判断依赖人工决策（何时promote、promote到哪个文件），缺乏自动化判断机制。

下载阅读了该技能的完整内容（SKILL.md、BACKEND_KNOWLEDGE.md、state.json、log.json），以下是基于实际内容的评测。 该技能提出了「用户画像驱动进化」的核心框架，设计了20个功能模块覆盖用户画像（行为模式分析、需求挖掘、偏好学习、上下文理解、画像更新）、自我迭代（方向对齐、策略生成、交互优化、能力进化、适应性调整）、效果验证（满意度追踪、效果验证、画像准确度、个性化度量、越用越懂指数）和隐私保护（加密存储、用户控制、遗忘机制、画像隔离、透明化报告）四大维度，框架设计完整，逻辑闭环清晰。 但核心问题在于：该技能仅包含概念性文档描述，没有任何可执行代码、算法实现或具体逻辑。state.json只有一个初始化记录，log.json无实际迭代数据，BACKEND_KNOWLEDGE.md仅几行引用（Self-Refine论文、Reflexion论文），缺乏深入的理论阐述。20个模块都停留在「做什么」的层面，完全没有「怎么做」的实现——例如行为模式分析用何种算法提取？偏好学习引擎的更新机制是什么？满意度如何量化？这些都未涉及。 使用示例中展示的交互效果（"越用越懂指数8.3/10"等）看似完整，但实际是硬编码的演示输出，并非真实运行结果。对开发者而言，这个技能更像是一份架构设计蓝图或思维导图，而非可直接安装使用的工具。

拆书口播一条龙是从选书到出成片脚本的全流程工具，定位清晰。优点：流水线设计思路好，拆书提炼核心+口播脚本生成一条龙完成，省去多工具切换的麻烦；口播部分有情绪节奏设计，适合短视频创作者。不足：拆书深度有限，对非虚构类书籍效果好但文学类较难提炼；口播脚本模板化程度较高，个性化空间不足；缺少对热门书籍的预置拆解库。总体实用性强，适合知识类短视频创作者快速出内容。

Paper Assistant是一个功能完整的论文写作辅助工具，覆盖了从摘要生成到投稿前检查的全流程。优点：1）模板体系完善，摘要/引言/结论各章节都有结构化模板；2）引用格式检查支持GB/T/APA/IEEE/BibTeX多种标准，学术场景覆盖广；3）中英双语润色功能实用；4）LaTeX格式审查功能对理工科用户友好。不足：1）纯文本模板形式，缺少交互式引导，新手可能需要时间适应；2）没有针对不同学科的差异化模板；3）缺少与文献管理工具的集成建议。总体功能完整、逻辑严密、文档质量高，适合有论文写作需求的用户。