依据WCAG 2.2设计和检查Web、iOS及Android界面,核查读屏标签、键盘操作、配色对比度和操作目标尺寸,使界面支持辅助技术。
- 为纯图标按钮添加说明
- 检查键盘操作与模态框焦点
- 检查对比度与操作目标尺寸
从真实帖子、文章和邮件中整理语气、句子节奏与表达习惯,生成可重复使用的文风档案,让社交媒体内容、销售邮件和产品公告保持一致。
Build a source-derived writing style profile from real posts, essays, launch notes, docs, or site copy, then reuse that profile across content, outreach, and social workflows. Use when the user wants voice consistency without generic AI writing tropes.
根据真实帖子、文章和邮件,建立可重复使用的文风档案。整理句子长度与节奏、解释的详细程度、括号和问句的用法、主张的强弱,以及需要避免的表达,并汇总为VOICE PROFILE。后续撰写社交媒体帖子、销售邮件和产品公告等相关内容时,可以沿用同一份档案。
适合不同渠道的文字语气不一致,或希望持续保持作者、品牌写作特点的情况。如果素材呈现出明确差异,会分别整理面向公开公告和个人交流的文风。需要为后续写作保留参考标准,而非只模仿一次时,也可使用。
条件允许时,使用5至20份具有代表性的实例。直接获取X帖子需要有可用的x-api。保存个人文风特征的文件,未经明确要求,不会纳入仓库的版本管理。
本介绍由 AI(OpenAI Codex)根据公开的 SKILL.md 撰写。准确的规格请查看下方原文。
AI 仅根据 SKILL.md 的内容,从 4 个方面进行了评估。星标数和热度不计入评估。
总分按每项 A=25 分、B=15 分、C=5 分相加。 由 AI(OpenAI Codex)于 2026年10月19日 评估。仅供参考,安装前请同时查看原文。
安装前可以查看交给 AI 代理的指令内容。
Build a durable voice profile from real source material, then use that profile everywhere instead of re-deriving style from scratch or defaulting to generic AI copy.
Use the strongest real source set available, in this order:
Do not use generic platform exemplars as source material.
x-api to pull recent original posts before drafting.Produce a reusable VOICE PROFILE block that downstream skills can consume directly. Use the schema in references/voice-profile-schema.md.
Keep the profile structured and short enough to reuse in session context. The point is not literary criticism. The point is operational reuse.
If the user wants Affaan / ECC voice and live sources are thin, start here unless newer source material overrides it:
Delete and rewrite any of these:
VOICE PROFILE across related tasks in the same session.Use this skill before or inside:
content-enginecrosspostlead-intelligenceIf another skill already has a partial voice capture section, this skill is the canonical source of truth.
还没有评价。欢迎分享你的使用感受。
无需登录即可发表。欢迎分享使用感受、提问,或说明在哪些环境下无法运行。
还没有评论。来写第一条吧。
依据WCAG 2.2设计和检查Web、iOS及Android界面,核查读屏标签、键盘操作、配色对比度和操作目标尺寸,使界面支持辅助技术。
从指令、记忆、工具执行和界面显示等十二个层面排查人工智能代理故障,依据代码和日志梳理原因,按严重程度列出问题并提出修复方案。
用实际开发任务比较多个编程智能体,记录成功率、可获取的API费用、耗时和重复运行的稳定性,为工具选型及更新后的性能评估提供数据。
设计和调整AI智能体使用的工具、输入与返回格式,明确出错后的恢复、重试和停止条件,管理上下文信息量,并以完成率、重试次数和成功任务成本评估改进。
根据错误信息和执行环境,分析AI代理反复失败或重复操作的原因。通过小范围、可撤销的恢复操作检验假设,并将结果与依据整理成可供交接的报告。
在AI代理反复失败或重复操作时,记录错误与环境前提、排查原因,采取影响有限的恢复操作,并汇总结果和证据,为有依据的重试与交接提供支持。