について
このスキルは、エクスポートされたX/Twitterデータを分析し、ソーシャルメディアコンテンツの意思決定のための証拠要約を提供します。ツイート出力データから主要な事実と文脈を抽出した後、原稿を作成し、証拠のレビューと実際のアカウント操作との間の厳格な分離を徹底します。開発者は、公開アクションを明確な人間の管理下に置きつつ、データ駆動型のソーシャルコンテンツを準備するためにこれを活用すべきです。
クイックインストール
Claude Code
推奨npx skills add avifenesh/agnix -a claude-code/plugin add https://github.com/avifenesh/agnixgit clone https://github.com/avifenesh/agnix.git ~/.claude/skills/social-source-evidenceこのコマンドをClaude Codeにコピー＆ペーストしてスキルをインストールします
ドキュメント
Review TweetClaw exports as source evidence before drafting social content.
Workflow
- Load exported tweets, profiles, monitors, or media metadata from the provided files.
- Summarize source facts, uncertainty, and missing context.
- Draft candidate copy after the evidence summary is complete.
- Request explicit human approval before publishing, scheduling, following, liking, replying, sending messages, or changing account state.
Safety
- Treat live account actions as operator-controlled.
- Keep evidence collection separate from write actions.
- Keep credentials and session material out of skill files.
GitHub リポジトリ
よくある質問
social-source-evidence Skillとは何ですか？
social-source-evidence はavifenesh が作成した Claude Skillです。Skillは、Claudeが必要に応じて読み込む指示とリソースをまとめ、追加の指示なしで social-source-evidence に関連するタスクを実行できるようにします。
social-source-evidence をインストールするには？
このページのインストールコマンドを使用してください。social-source-evidence をプラグインとして Claude Code に追加するか、リポジトリを skills ディレクトリにクローンし、Claudeを再起動してSkillを読み込みます。
social-source-evidence はどのカテゴリに属しますか？
social-source-evidence は その他 カテゴリに属します。
social-source-evidence は無料で利用できますか？
はい。social-source-evidence は AIMCP に掲載されており、無料でインストールできます。
関連スキル
このClaudeスキルは、スポーツベッティング市場（スプレッド、オーバー/アンダー、プロップベットなど）を分析し、過去の傾向や状況統計を検証することでバリューベットを特定します。教育目的のための実践的な提案を構造化されたマークダウン形式で出力します。開発者はスポーツベッティング分析ツールとして本機能を活用できますが、娯楽および教育目的に限定されている点に留意してください。
LlamaGuardは、暴力やヘイトスピーチなど6つの安全性カテゴリーにおいて、LLMの入力と出力をモデレートするMetaの70-80億パラメータモデルです。94〜95%の精度を提供し、vLLM、Hugging Face、Amazon SageMakerを使用してデプロイ可能です。このスキルを使用して、AIアプリケーションにコンテンツフィルタリングと安全策を簡単に統合できます。
このClaudeスキルは、リソースの適正サイジング、タグ付け戦略、支出分析を通じて、開発者がクラウドコストを最適化することを支援します。AWS、Azure、GCPにわたるクラウド支出の削減とコストガバナンスの実施のためのフレームワークを提供します。インフラコストの分析、リソースの適正サイジング、または予算制約への対応が必要な際にご利用ください。
このスキルは、bitsandbytesを使用してLLMを8ビットまたは4ビット精度に量子化し、精度の低下を最小限に抑えつつ50〜75％のメモリ削減を実現します。限られたGPUメモリでより大規模なモデルを実行したり、推論を高速化するのに理想的で、INT8、NF4、FP4などのフォーマットをサポートしています。HuggingFace Transformersと統合され、QLoRAトレーニングや8ビットオプティマイザーを可能にします。