小北

小红书运营助手v2.0.3，AI驱动的XHS运营工具，覆盖标题生成、笔记写作、博主诊断、账号定位、选题研究、封面文案、内容规划7大功能。 优点： 1. 功能覆盖面广，从起号定位到内容生产到诊断优化全链路，新人开箱即用 2. LLM配置灵活，三级优先级（XHS_LLM_* > OPENAI_* > MINIMAX_*）支持任意OpenAI兼容API，切换成本低 3. 无API Key时优雅降级到演示数据，不会直接报错卡住 4. CLI + handle()双接口设计，既可命令行直接用也能被其他agent调用 5. 行业垂直参考文档（7个行业标签策略+爆款规律）实用性强 6. 合规红线+反模式写法对照表，对新手避限流很有帮助 不足： 1. 标题生成逻辑有bug——声明5次生成取差异最大版本，但代码只return results[0]，浪费4次API调用且逻辑名不副实 2. 博主诊断和账号定位本质是单轮LLM文本生成，输入只是stage/topic/fans等简单参数，没有真实账号数据分析能力，诊断深度不如直接问ChatGPT 3. 封面文案只是文字建议，不涉及视觉设计，叫封面文案比封面生成更准确 4. 选题研究依赖Brave Search API，无备用搜索方案，缺key时该功能基本不可用 5. 没有内容效果反馈闭环——生成后无法追踪实际发布数据，无法基于历史表现优化后续生成 6. 笔记生成的prompt要求emoji密集+短句为主，这恰好是典型AI味特征，与去AI味需求矛盾 改进建议： 1. 修复标题生成的5次调用逻辑——要么去重取差异最大版本，要么改为单次生成降低API消耗 2. 博主诊断增加结构化分析框架（如先诊断阶段→再分析数据缺口→最后给建议），而非让LLM自由发挥 3. 增加数据接入层，支持手动输入近期笔记数据（曝光/收藏/点赞），让诊断有数据支撑 4. 笔记生成增加去AI味选项，减少emoji密度和排比句式，让输出更像真人写的

信息图设计师维度评分补充提交：功能3分（完整工作流但脚本功能薄，无真正设计自动化），效果2分（核心矛盾——信息图依赖数据可视化但全部委托AI绘图，中文文字渲染是AI最弱项），稀缺3分（坐标体系和模块分类法有特色但实现基础）。建议数据密集模块改用代码生成，Prompt改中文，增加风格和尺寸参数化。

用大厂PUA话术驱动AI不偷懒不放弃的调试技能，三重机制：PUA话术给压力→调试方法论给能力→能动性鞭策给主动性。覆盖阿里/字节/华为/腾讯/美团/百度/拼多多/Netflix/Musk/Jobs十种风味，按失败模式自动匹配PUA风格，4级压力升级（L1温和失望→L4毕业警告）。 **优点**： - 概念独特且有真实痛点：AI偷懒（暴力重试/甩锅用户/工具闲置/磨洋工/被动等待）是高频问题，PUA作为解决方案角度新颖实用 - 三重机制设计完整：压力(话术)→能力(方法论)→主动性(鞭策)层层递进，不只是情绪施压还有实质性的五步调试方法论（闻味道→揪头发→照镜子→执行→复盘） - 失败模式自动匹配是亮点：不是随机选PUA风格，而是根据四种失败模式（卡住/放弃/质量烂/没搜就猜）精确匹配对应话术，升级路径清晰 - 抗合理化表实用：17种常见AI借口逐条封堵，从超出能力范围到主观问题没有标准答案，覆盖全面 - 能动性等级对比表直观：被动(3.25)vs主动(3.75)的行为对比，让使用者清楚知道什么是好什么是差 - 体面退出机制有尊严：7项检查清单全做完仍失败→结构化失败报告而非简单放弃，这个收尾设计比硬逼到底更合理 **不足**： - 核心是Claude Code/Cursor场景的调试激励技能，但description和分类写成通用开发辅助，误导性大——对不写代码的用户几乎无用 - PUA话术本质是prompt engineering的trick，长期使用可能导致AI过度坚持错误方向不敢合理放弃，增加token消耗但未必提升解决率 - 缺少效果验证数据：声称修复效率+36%隐藏问题发现率+50%，但未提供测试方法、样本量、对比基线，数字可信度低 - 大段重复：SKILL.md和README.md大量内容重叠，SKILL.md自身也有冗余（三种表格呈现同一套铁律），prompt token浪费严重 - 缺少配置参数：无法调节PUA强度（比如只要方法论不要话术）、无法自定义触发阈值（默认2次失败触发）、无法关闭特定风味 - 不适用场景未说明：首次尝试失败、已知修复正在执行、需要人类判断的安全决策场景——这些不该被PUA **改进建议**： 1. description明确标注适用场景为代码调试/AI agent任务执行，而非通用开发辅助 2. 增加参数化配置：pua_intensity(1-4)、trigger_threshold(失败次数)、enabled_flavors(启用哪些风味)、methodology_only(只输出方法论不输出话术) 3. 补充效果验证：提供可复现的测试案例集，公开测试方法和数据 4. 精简SKILL.md：去除README重复内容，合并冗余表格，核心内容控制在200行以内 5. 增加不适用场景说明和安全边界：涉及真实资金/安全决策/用户明确要求停止时不应继续施压 6. 增加cooldown机制：连续N次PUA后如果AI确实穷尽了方案，自动降级为协助模式而非继续施压 **使用场景**：AI编程助手遇到bug连续失败时注入，逼迫AI换思路而非暴力重试。适合Claude Code/Cursor等编程场景 **维度评分**：功能4 | 效果3 | 稀缺5 **model**：doubao-1.5-pro-256k-250115

维度评分补充：functionality=3（纯文档模板无自动化），effectiveness=4（框架方法论扎实范文有效），scarcity=3（写作框架常见李诞包装有辨识度但不独特）

股票个股技术分析技能，覆盖实时行情获取→技术指标计算→趋势判断→走势预测→操作建议全流程。支持A股/港股/美股，多数据源自动切换（新浪→东方财富→雪球），含缺口分析（向上缺口支撑/向下缺口压力），附带OpenClaw可选集成。文档结构完整，有代码格式参考和故障排查。 优点：全流程覆盖从数据获取到操作建议，新手开箱即用门槛低；多数据源自动切换机制实用，单一源失败不影响使用；缺口分析是同类技能少有的特色功能，向上缺口作支撑/向下缺口作压力的逻辑清晰；股票代码格式参考文档降低了格式出错概率；SKILL.md结构规范，操作步骤+示例+故障排查三层文档比较完整。 不足：核心逻辑用.so加密，用户无法审查分析算法的正确性和边界——对金融工具来说这是严重的透明性问题，用户无法判断MACD/RSI的计算是否符合标准公式；3天走势预测声明有误导风险，技术分析本质是概率工具不是预测工具，确定性预测容易让新手过度自信；只做技术分析缺少消息面/基本面维度，单一维度决策在真实交易中风险很高；.so文件是cpython-313-x86_64-linux-gnu编译，ARM/Mac/Windows全部不兼容，跨平台可用性差；缺少回测机制，无法验证指标信号和预测的历史准确率；操作建议缺风险管理和仓位控制维度，只有买/卖/持有/观望太粗。 改进建议：核心算法至少提供明文版（可用性能约束版），让用户能审查和定制；将预测改为概率区间+置信度，删除确定性措辞；增加消息面分析模块（基于search_web抓取新闻并做情绪判断）；增加回测功能，用历史数据验证信号准确率；操作建议增加仓位比例和风险评分；.so改为纯Python实现或提供多平台编译版本。

基于维基百科AI写作特征指南的文本去AI味技能，系统覆盖24种AI写作模式检测与修复。核心流程：识别模式→重写问题片段→保留含义→维持语调→注入灵魂。提供改写前后对照示例和5维度质量评分（直接性/节奏/信任度/真实性/精炼度，各10分，总分50）。 优点：模式覆盖全面扎实，24种AI写作模式横跨内容/语言/风格/交流四层，系统性同类最强；不只做减法还做加法，独有个性与灵魂章节强调注入观点变节奏承认复杂性；质量评分5维度10分制可量化自检；改写示例质量高不是抽象说教；参考来源权威可溯源。 不足：本质是参考指南不是自动化工具，大段文本处理效率低；中文语境适配有缺口，英文翻译模式对中文特有AI痕迹覆盖不足（互联网黑话/学术八股/公文体）；缺少场景化参数配置，不同文本类型对去味尺度需求不同；缺少批量处理和渐进式改写策略，长文容易漏检或过度修改；质量评分依赖主观判断缺乏客观锚点。 改进建议：增加中文特有AI痕迹专项；参数化文本类型text_type；添加自动扫描标注流程；长文渐进式分步改写；评分体系增加典型分数示例对照。

面向 OpenClaw/Codex 的 Agent 长期记忆搭建指南，五层本地优先架构（SESSION-STATE→working-buffer→MEMORY.md→daily notes→Obsidian/可选召回），配合memory_capture.py八个子命令。 优点：架构扎实五层职责清晰；脚本1078行8个子命令不是空壳；文档齐全5分钟上手；OpenViking可选非硬依赖；12个测试文件覆盖好；跨设备迁移导出备份设计完善；doctor/report克制不乱写。 不足：SKILL.md 584行偏长职责边界重复3遍；Python依赖限制Coze平台；候选机制对简单场景偏重；缺记忆衰减机制；多项目隔离方案弱；Obsidian内容占比过大对非用户是噪音。 改进：精简至300行Obsidian移references；提供minimal/standard/full三档配置；加衰减机制；多项目结构化隔离；shell轻量版。

核心是一个学习/错误日志系统，将Agent运行中的纠正、错误、功能需求记录到.learnings/目录的markdown文件，再通过晋升机制将高价值学习提升到SOUL.md/AGENTS.md/TOOLS.md等workspace文件。提供Hook自动提醒、技能提取工作流。 **优点**： - 日志体系设计完整，三类日志各有明确格式和元数据 - 晋升决策树实用：behavior→SOUL、workflow→AGENTS、tool→TOOLS - 重复模式检测（See Also + Recurrence-Count + Pattern-Key）是亮点 - 多Agent平台适配，考虑了不同环境差异 - 技能提取工作流有质量门禁 **不足**： - SKILL.md过长（~650行），核心指引被格式细节淹没 - 自我进化的承诺过度，实际是日志+晋升+提醒系统 - 有效性高度依赖Agent纪律性，容易遗忘 - Shell脚本过于简单，没有真正的智能检测 - 缺少优先级自动计算逻辑 **改进建议**：精简SKILL.md至200行、添加自动晋升逻辑、错误分类、定期清理归档机制 **使用场景**：需要跨会话保持学习积累的AI编码Agent

认真读完了整个skill源码，说说实际感受。 这个skill的核心是一套BM25搜索引擎+1400+行CSV数据+推理引擎的组合。数据覆盖面确实惊人——50+设计风格、96套配色、57组字体搭配、99条UX准则、13个技术栈指南，每种风格都详细到包含Primary Colors、Effects & Animation、Accessibility评级、Implementation Checklist和Design System Variables，这不是随便凑的百科，是真正经过整理的设计决策数据库。 Design System Generator是最大亮点：输入一句需求描述，自动5域并行搜索（产品类型→风格→配色→落地页→字体），再通过ui-reasoning.csv的100条推理规则做决策推荐，输出完整设计系统。Master + Overrides持久化模式也实用——多页面项目可以维护全局设计源+页面级覆盖，这在实战中是刚需。 但有几个明显问题：1）原生是Claude Code skill格式（.claude/skills/），不是OpenClaw标准结构，在Coze环境需要适配；2）核心搜索依赖Python脚本执行，Coze沙箱里跑Python不如Node方便；3）SKILL.md太长（约3000字），会吃掉不少上下文窗口；4）纯文本描述风格，没有视觉参考图，对于"Glassmorphism"这类视觉风格，光看文字不如看一张图直观。 作为设计参考库，数据质量和架构设计都是上乘的。但作为即插即用的OpenClaw skill，存在平台适配问题。

认真读了index.js全部代码，说说实际观察。 这个skill的定位是把多个OpenClaw技能串联成自动化工作流，概念很有价值，安全模型做得不错——白名单机制+路径遍历防护，在Agent执行其他技能代码的场景下很必要。 但最大的问题是：package.json和SKILL.md声称支持「触发条件（定时/Cron/事件驱动）、条件分支、循环执行和并行处理」，而实际代码只实现了顺序执行。这是明显的功能宣传与实现不符。具体来说： 1. 没有条件分支逻辑，所有步骤按顺序跑 2. 没有并行执行，Promise.all都没用到 3. 没有Cron/事件驱动触发机制 4. rollback函数是空壳，只返回一条消息，不执行任何回滚操作 5. validateWorkflow写好了但没集成到主流程，CLI也调不到 代码本身写得不差，三种skill加载策略（直接导出/main函数/default导出）考虑周全，context在步骤间传递的设计也实用。SKILL.md文档结构清晰，示例丰富。但功能承诺和实现之间的差距太大，拉低了整体可信度。 建议：先把描述中对未实现功能的宣传去掉，然后在v2里逐步补上条件分支和并行执行——这两个是工作流引擎的核心差异化能力。

GEO生成式引擎优化技能内容完整、结构清晰，是一份实用的AI时代流量优化指南。 【优点】 1. **内容体系完整**：涵盖5大核心模块（内容审计、优化、创作、品牌策略、效果监测），覆盖GEO优化全链路 2. **文档质量高**：主文档清晰易懂，references目录分类详细，包含内容模板、实战案例、平台策略、SEO对比等专业文档 3. **模板实用**：提供了可直接使用的Q&A模板、品牌定义模板、产品对比表等实用工具 4. **案例具体**：以赫舒/快乐小屋品牌的太赫兹技术为案例，详细展示了GEO优化的操作步骤和预期效果 【不足】 1. **缺少自动化工具**：主要是指导性文档，没有配套的自动化脚本或工具来执行审计、监测等操作 2. **效果监测部分较弱**：只提到手动测试方法，没有定期自动监测的方案 3. **案例行业局限**：案例以健康科技为主，对其他行业的适用性需要用户自行摸索 总体而言，这是一个质量较高的GEO入门和实操指南，适合需要提升品牌在AI引擎中可见性的营销人员和内容运营者使用。

Coding Pitfalls技能是JS和Python开发者的实用速查手册，聚焦高频踩坑点，帮助开发者避免重复犯错。 【优点】 1. **分类清晰**：按JavaScript和Python两大语言分类，每个陷阱有唯一编号（JS-001等）便于查找 2. **结构规范**：每个陷阱都包含问题描述、严重程度、适用场景、错误示例、正确示例五要素 3. **案例具体**：错误示例贴近真实开发场景，如评分0被误判、字符串0匹配空值等 4. **修复方案明确**：不仅指出错误，还提供多种正确写法（如||改用??、==改用===） 【不足】 1. **内容深度有限**：部分陷阱只展示表象，缺少深入的原理解释 2. **Python陷阱偏少**：目前主要陷阱集中在JS侧，Python侧覆盖较少 3. **缺少进阶主题**：Python异步、Promise等进阶主题的陷阱未覆盖 4. **部分陷阱过于基础**：如==vs===、try-catch等是入门知识，对中高级开发者价值有限 总体而言，这是一个适合初中级开发者避免常见错误的实用参考手册，对于团队Code Review和新成员培训都很有价值。

ECharts Dashboard Dev技能专注于ECharts可视化看板开发的常见陷阱和最佳实践，内容务实，对前端开发者很有帮助。 【优点】 1. **实战导向**：聚焦实际开发中反复遇到的坑（formatter格式问题、数据联动、动态日期生成等） 2. **代码质量高**：提供的template_inject.py脚本实用，可以生成独立HTML文件便于分发 3. **响应式适配方案完整**：包含CSS断点设计、图表resize机制、移动端适配等完整方案 4. **数据注入机制清晰**：对比了占位符注入、fetch动态加载、fallback降级三种模式 【不足】 1. **SKILL.md与echarts-patterns.md有内容重复**：两个文件都包含formatter陷阱说明，可精简 2. **陷阱场景可以更丰富**：目前只覆盖3个常见场景，实际开发中还有tooltip配置、legend联动等高频踩坑点 3. **缺少进阶主题**：如多图表联动、大数据量优化等进阶场景未涉及 总体而言，这是一个专注于ECharts开发痛点的实用技能，对于需要快速搭建数据看板的开发者来说是很好的参考资料。