Original em inglês: https://argusic.com/subject/linkedin-skills
linkedin-skills
Skills do Claude para o LinkedIn. 12 skills do Claude Code e Codex que escrevem posts do LinkedIn com tom humano, criam comentários que chamam atenção, analisam seu feed e constroem uma cadência de publicação, tudo a partir do seu terminal. Engenharia de conteúdo pela Creative Content Crafts. MIT.
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 14d332b9e91e
Python, licença MIT. O projeto se descreve como: agent skill, agent skills, ai agents, ai content, ai marketing, anthropic, awesome claude e claude code.
linkedin-skills executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 3,5 minutos e encontrou 1 erro, corrigindo-o sem ajuda, e a sessão inteira foi gravada.
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.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 92 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- pip install failed — externally-managed-environment (PEP 668)0,5 minutos
- Tempo de instalação
- 4 minutos
- Da máquina limpa até o fim
- 4 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 1 corrigido sem ajuda humana
- Como o resultado foi comprovado
- 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)
- Tokens de modelo usados
- 38.399
- Commit exato testado
- 14d332b9e91e
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
Assista à sessão
A execução inteira, a partir de uma máquina limpa, na velocidade em que realmente aconteceu. Nada é cortado e nada é acelerado.
Uma gravação da tentativa 1, executada em , a tentativa que decidiu o veredito acima. A gravação do terminal da qual ele foi feito é a evidência, guardada com uma impressão digital sha256; o vídeo é uma renderização dela. Nada é carregado do serviço de vídeo até você apertar o play.
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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:
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Recuperou-se do único erro sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Levou 3,5 minutos para instalar, mais devagar que a mediana dos 13 projetos comparáveis que a Argusic mediu.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 14 projetos de agent-skill que a Argusic instalou e cronometrou, linkedin-skills foi o 8º mais rápido a chegar a um estado de execução, e 11 de 14 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,04 |
Tópicos (de GitHub)
agent-skillagent-skillsai-agentsai-contentai-marketinganthropicawesome-claudeclaude-codeclaude-skillscontent-creationcontent-engineeringlinkedinlinkedin-automationlinkedin-engineeringllm-toolsopenclaw-skillpersonal-brandingprompt-engineeringskill-mdsocial-media-automation
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/linkedin-skills)Perguntas
- linkedin-skills executa?
- linkedin-skills executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 4 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou linkedin-skills?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 14d332b9e91e. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar linkedin-skills?
- A execução que produziu este veredito custou US$ 0,04: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar linkedin-skills?
- 3,5 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- linkedin-skills precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar linkedin-skills?
- 1 coisa quebrou na execução registrada, e 1 foi corrigida sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como linkedin-skills se compara às alternativas?
- Dos 14 projetos de agent-skill que a Argusic instalou e cronometrou, linkedin-skills foi o 8º mais rápido a chegar a um estado de execução, e 11 de 14 chegaram a esse estado.
- Onde estão as evidências de linkedin-skills?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.