MCP App StoreMCP App Store
de claw-ds37
Génère des fichiers de règles de spider 'ds' pour drpy-node (var rule = {...}) à partir d'un site cible en analysant les modèles DOM et API ; utilisé pour produire des règles de scraping pour les romans,
Claw DS Generator automatise la création de règles source ds compatibles avec drpy-node. À partir d'une URL cible, il analyse la structure de la page ou les API réseau, extrait les sélecteurs ou points de terminaison de liste/détail/recherche, et formate un fichier de règle JavaScript var rule = { ... } attendu par drpy-node. Il intègre des garde-fous pour la stabilité des sélecteurs et les champs requis afin que les règles générées fonctionnent de manière plus fiable.
Invoquez cette compétence lorsque vous avez besoin d'une règle ds fonctionnelle pour un site spécifique (roman, comic, vidéo), et que vous souhaitez que l'agent inspecte la structure du site ou les API et produise le fichier de règle JavaScript complet. Les déclencheurs typiques incluent des demandes telles que : "générer une source ds pour example.com" ou "écrire une règle ds pour ce site."
var rule en sortie.Idéal pour les agents capables de naviguer ou d'utiliser les outils web_fetch/browser et capables de produire une sortie JavaScript (OpenClaw, agents compatibles avec le navigateur).
Cette compétence guide un agent IA pour analyser des sites web et générer des fichiers de règles de spider drpy-node (fichiers JS de type var rule = {...}) pour le scraping de romans, de vidéos et de bandes dessinées. Elle ne contient aucun script groupé — il s'agit uniquement d'instructions basées sur des prompts. Le fichier SKILL.md fournit un flux de travail détaillé et une référence à la syntaxe des sélecteurs drpy-node, mais manque d'un champ de description dans le frontmatter (description uniquement en chinois), n'a pas de structure de répertoire scripts/ ou references/, et le contrat de sortie est vague (simple 'retourner le bloc de code'). Audience de niche : utile uniquement pour les utilisateurs de l'écosystème drpy-node.
Compétence purement basée sur des prompts sans code exécutable. La sécurité est globalement saine — pas de commandes shell, pas d'exfiltration, pas d'opérations destructrices. La compétence demande à l'agent d'utiliser web_fetch/browser pour analyser des sites externes, ce qui est standard. Préoccupation mineure : le scraping de sites arbitraires pourrait avoir des implications légales/ToS, mais cela est inhérent à l'objectif et non un défaut de sécurité. L'architecture est basique — SKILL.md monolithique sans séparation, pas de scripts/, pas de references/. La qualité du code est correcte — le guide de syntaxe drpy est détaillé et les étapes du flux de travail sont claires, mais la compétence est uniquement en chinois, ce qui limite son adoption. L'utilité est de niche — drpy-node est un framework de scraping chinois spécifique avec un attrait international limité.
Bookmarklet Creation
Generates browser-executable JavaScript bookmarklets with strict formatting (IIFE wrapper, block comments) and provides ready-to-install links or installer inst
Bookmarklet Creation
Generate production-ready JavaScript bookmarklets (javascript:...) with required IIFE wrapper, block comments, installation links, and testing guidance.
React Development Expert
Provides authoritative React guidance on hooks, state patterns, Server Components, performance optimization, and common architectural patterns.
Agent Browser — Core
Core usage guide for agent-browser: snapshot-and-ref browser automation to navigate pages, interact with elements, extract data, take screenshots, manage sessio
AutoCLI
CLI bridge that exposes 50+ websites as command-line interfaces using the user's Chrome session — fast, scriptable browsing and data retrieval.
dotLottie Web
Guidelines and patterns for implementing performant dotLottie/Lottie animations on the web (vanilla JS and React), including workers, state machines, and themin
React Context Setup
Automates guidance and code patterns for setting up React Context, providing step-by-step configuration and best-practice examples for frontend projects.
Deep Research
Run multi-step autonomous research workflows: search, crawl, validate sources, and produce structured research reports and market analyses.