Englisches Original: https://argusic.com/subject/linkedin-skills
linkedin-skills
Claude-Skills für LinkedIn. 12 Claude-Code- und Codex-Skills, die menschenähnliche LinkedIn-Beiträge schreiben, Kommentare verfassen, die auffallen, Ihren Feed analysieren und einen Veröffentlichungsrhythmus aufbauen, alles aus Ihrem Terminal. Content-Engineering von Creative Content Crafts. MIT.
Läuft mit MocksQuelle: GitHubHomepagePythonMITCommit 14d332b9e91e
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agent skill, agent skills, ai agents, ai content, ai marketing, anthropic, awesome claude und claude code.
linkedin-skills läuft, mit Ersatz für die Dienste, von denen es abhängt. Ein Argusic-Agent hat es in 3,5 Minuten installiert und ist auf 1 Fehler gestoßen und hat jeden davon ohne Hilfe behoben. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
113 unit tests pass, all 12 skills load and parse, all structural validations pass, and the repo is ready for draft-only LinkedIn skill usage with no API keys configured.
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 92 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
Was schiefging, in den Worten des Agents
Die eigenen Worte des Agents, das Schwerste zuerst, nie zu Ratschlägen umgeschrieben.
- pip install failed — externally-managed-environment (PEP 668)0,5 Minuten
- Installationszeit
- 4 Minuten
- Von der kalten Maschine bis zum Ende
- 4 Minuten
- Aufgetretene und behobene Fehler
- 1 aufgetreten, 1 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- venv/bin/python -m unittest discover -s tests exited 0, 113 passed; scripts/selftest.py exited 0, all phases clean; all 6 validation scripts pass; codex marketplace package syncs deterministically; 4 plugin JSON files valid and version-aligned (1.1.15)
- Verbrauchte Modell-Tokens
- 38.399
- Genau getesteter Commit
- 14d332b9e91e
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
- Verhalten gegenüber echten Diensten
- dieser Lauf wurde nur gegen Ersatzdienste verifiziert
Sitzung ansehen
Der gesamte Lauf, von einer sauberen Maschine aus, in der tatsächlichen Geschwindigkeit. Nichts ist geschnitten, nichts beschleunigt.
Eine Aufzeichnung von Versuch 1, gelaufen am , der Versuch, der den obigen Befund entschieden hat. Die Terminalaufzeichnung, aus der es erstellt wurde, ist der Nachweis, gespeichert mit einem sha256-Fingerabdruck; das Video ist ein Rendering davon. Vom Video-Host wird nichts geladen, bis Sie auf Abspielen drücken.
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
Now I'll produce the final report. exec /bin/sh -lc "cd /work/repo && echo \"Time check:\" && date -u +%s && echo \"Start of work:\" && sta… succeeded in 0ms: Time check: 1791012435 Start of work: 1791012229 All checks pass cleanly. Here is the final result: tokens used 38,399 All checks pass cleanly. Here is the final result:
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- Hat sich von dem einen Fehler erholt, ohne dass ein Mensch eingriff, was zeigt, dass die Fehlschläge gut genug dokumentiert sind, um sie zu lösen.
- Lizenz MIT, laut Angabe des Hosts.
Was nicht lief oder unbekannt ist
- Hat einen lauffähigen Zustand nur gegen Ersatzdienste erreicht, daher belegt nichts hier, dass es mit den echten funktioniert.
- Die Installation dauerte 3,5 Minuten, langsamer als der Median der 13 vergleichbaren Projekte, die Argusic gemessen hat.
- Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.
Von den 14 Projekten im Bereich agent-skill, die Argusic installiert und zeitlich gemessen hat, belegte linkedin-skills Platz 8 bei der Zeit bis zum lauffähigen Zustand, und 11 von 14 erreichten überhaupt einen solchen Zustand.
Ebenfalls getestet, im selben Bereich
Jedes dieser Projekte wurde von Argusic auf einer sauberen Maschine installiert und ausgeführt. Hier erscheint nichts, was nicht getestet wurde.
Laufverlauf
| getestet von | Versuch | Ergebnis | Score | Kosten USD | wann |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Läuft mit Mocks | 92,00 | 0,04 |
Themen (von GitHub)
agent-skillagent-skillsai-agentsai-contentai-marketinganthropicawesome-claudeclaude-codeclaude-skillscontent-creationcontent-engineeringlinkedinlinkedin-automationlinkedin-engineeringllm-toolsopenclaw-skillpersonal-brandingprompt-engineeringskill-mdsocial-media-automation
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/linkedin-skills)Fragen
- Läuft linkedin-skills?
- linkedin-skills läuft, mit Mocks als Ersatz für externe Dienste. Argusic hat es auf einer sauberen Maschine in 4 Minuten installiert und gestartet, ist dabei auf 1 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic linkedin-skills getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 14d332b9e91e. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von linkedin-skills gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,04 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von linkedin-skills?
- 3,5 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht linkedin-skills eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von linkedin-skills schief?
- Im aufgezeichneten Lauf ging 1 Sache kaputt, und 1 davon wurden ohne menschliche Hilfe behoben. Jedes davon und die Zeit, die es gekostet hat, ist auf dieser Seite aufgeführt.
- Wie schneidet linkedin-skills im Vergleich zu Alternativen ab?
- Von den 14 Projekten im Bereich agent-skill, die Argusic installiert und zeitlich gemessen hat, belegte linkedin-skills Platz 8 bei der Zeit bis zum lauffähigen Zustand, und 11 von 14 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für linkedin-skills?
- Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.