📦 Sticky Message Antipattern Detector — 粘性信息反模式检测器
v1.0.0扫描草稿、推介或文案，检测导致信息缺乏「粘性」的命名失败模式——包括埋没要点、决策瘫痪、常识麻醉、语义拉伸等八种反模式。生成标记段落报告，定位每个实例并提供修复策略。
0· 20·0 当前·0 累计
by 安全扫描
OpenClaw
安全
high confidence该技能是一个纯指令诊断工具，用于短消息形式审计，其声明的输入、工具和输出与该目的相符。
评估建议
该技能专注于审计用户提供的文本，看起来连贯且范围明确。安装前需注意：(1) 仅提供诊断所需的草稿文本和受众信息，避免粘贴密码、私密密钥或敏感PII。(2) 优先粘贴草稿而非授予代理广泛的文件系统访问权限；如代理必须读取文件，应限制其工作目录或明确确认要读取的文件。(3) 如需验证来源，请检查GitHub主页/源代码（注册表指向公共仓库）。(4) 请记住该技能只诊断问题，不进行重写——如需重写请单独请求。...详细分析 ▾
✓ 用途与能力
名称、描述和SKILL.md均描述了文案/推介诊断。该技能未声明任何二进制文件、环境变量或安装程序——这对于文本审计检测器来说是恰当的。所需工具（Read、Write、可选的Grep）适用于在用户提供的草稿中定位和标注段落。
ℹ 指令范围
SKILL.md将工作限制在用户提供的草稿和受众画像上，并指定生成标记段落报告（诊断，非重写）。它需要可读的草稿和受众上下文。轻微注意事项：执行环境列出了文件读写工具；虽然该技能的指令不要求系统文件或密钥，但具有广泛文件系统权限的代理如果被滥用可能读取其他文件。该技能本身并未指示这种行为。
✓ 安装机制
无安装规范和代码文件（纯指令）。这是最低风险的安装姿态——该技能本身不下载或写入任何内容。
✓ 凭证需求
该技能不请求环境变量、凭证或配置路径。所有声明的输入都是合理的（文档+受众画像），与声明的任务相称。
✓ 持久化与权限
always:false 和 disable-model-invocation:false（正常）。该技能不请求持久系统存在，不修改其他技能，也不要求提升的权限。默认允许自主调用，但未与其他令人担忧的能力结合使用。
安全有层次，运行前请审查代码。
运行时依赖
无特殊依赖
版本
latestv1.0.02026/4/15
粘性信息反模式检测器首次发布。- 审查草稿中八个特定的粘性杀手失败模式（反模式），这些模式来自《Made to Stick》一书 - 生成标记段落报告：定位每个实例，进行严重程度评分，并配对修复策略 - 需要草稿文本和受众画像作为输入；如缺失建议收集上下文 - 设计用于诊断（不进行端到端重写或完整SUCCESs评分） - 预期触发条件包括诊断、批评或排查信息、推介或公告不引起共鸣的请求
● 无害
安装命令
点击复制官方npx clawhub@latest install bookforge-sticky-message-antipattern-detector
镜像加速npx clawhub@latest install bookforge-sticky-message-antipattern-detector --registry https://cn.longxiaskill.com镜像同步中
技能文档
技能定义
name: Sticky Message Antipattern Detector
slug: sticky-message-antipattern-detector
description: >
Scan a draft, pitch, or copy for the named failure modes that kill stickiness — buried leads, decision paralysis, common-sense sedation, semantic stretch, story emptiness, and more.
Uses the "Made to Stick" framework (SUCCESs: Simple, Unexpected, Concrete, Credible, Emotional, Stories) to identify why a message fails to resonate.
inputs:
- name: draft
type: string
description: The message, pitch, or copy to audit
required: true
- name: audience_profile
type: string
description: Brief description of target audience (role, background, concerns)
required: true
outputs:
- name: diagnosis_report
type: string
description: >
Flagged-passage report with severity scores and fix strategies for each antipattern detected.
Does NOT include rewritten content — only diagnostic findings.
核心功能
1. 反模式检测
该技能扫描草稿以识别以下八种「粘性杀手」反模式：
| 反模式 | 描述 |
|---|---|
| Buried Lead | 核心要点被埋没在冗长的背景或无关信息中 |
| Decision Paralysis | 提供过多选项或复杂信息导致受众无法做出决定 |
| Common-Sense Sedation | 陈述显而易见的事实，未增加任何新价值 |
| Semantic Stretch | 使用抽象、模糊或过度夸张的语言 |
| Story Emptiness | 缺乏具体案例、人物或情境来支撑信息 |
| Abstractitis | 使用抽象概念而非具体、可感知的细节 |
| Expertise Overload | 假设受众具备专业知识，使用过多行话 |
| The Curse of Knowledge | 因对主题过于熟悉而忘记受众可能不知道的背景 |
2. 诊断报告格式
对于每个检测到的反模式，报告包含：
- 定位：具体段落或句子
- 严重程度：高/中/低
- 问题解释：为什么这会削弱粘性
- 修复策略：具体的改进建议
3. 使用场景
- 诊断为什么消息、推介或公告没有引起共鸣
- 在发布前审查营销文案
- 改进演讲稿或沟通内容
- 识别pitch deck或提案中的问题
使用示例
输入示例
draft: "我们的解决方案采用先进的机器学习算法，通过深度神经网络实现智能化的数据处理和分析，从而为企业提供最优化的决策支持。"
audience_profile: "中小型企业主，非技术背景，关注成本效益和易用性"
输出示例
## 诊断报告检测到的反模式
1. Abstractitis（抽象化）
- 严重程度: 高
- 定位: "先进的机器学习算法...智能化的数据处理和分析"
- 问题: 使用抽象技术术语，未说明具体如何帮助客户
- 修复策略: 用具体案例说明：例如「将月度报告准备时间从8小时缩短到20分钟」
2. Expertise Overload（专业知识过载）
- 严重程度: 中
- 定位: "深度神经网络"
- 问题: 假设受众理解AI技术，但目标受众是非技术背景的企业主
- 修复策略: 移除技术细节，聚焦业务价值：例如「自动识别销售机会」
限制说明
- 仅诊断，不重写: 该技能识别问题但不提供修改后的文本
- 需要受众信息: 准确的诊断依赖于对目标受众的了解
- 不评估整体结构: 不对消息的完整性或逻辑流程进行评分
最佳实践
- 提供具体的受众画像（角色、背景、痛点）
- 如有多个版本，可同时提交进行对比诊断
- 关注高严重程度的问题优先进行修改
- 结合修复策略逐一改进，不要一次性修改所有问题