Token导航 LogoToken导航

Agent Skill · 效率

llm-text-correct（LLM text correct 工具）

llm-text-correct 用于补充效率相关能力，适合在 OpenClaw 中需要让 Agent 承接效率相关任务时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态，以及是否会触发联网、命令执行或文件读写。

llm-text-correct 是效率类 Agent Skill，可用宿主为 OpenClaw，通过ClawHub获取，权限为权限未标注；许可证为 MIT-0，第三方扫描有提醒项，按安装量在效率类的 21,003 个 Skill 里排第 8,779。

总安装 6,717周安装 275GitHub Stars 公开资料未说明下载 2,256核验 2026-05-01
效率权限未标注ClawHub未标认证来源可访问许可证明确审计提醒OpenClaw

安装说明

本站只整理中文说明，不托管安装包，也不代用户安装。
GitHub
许可证
MIT-0
版本
1.2.4

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手，先确认命令和权限，再让它执行。

请帮我安装这个 Agent Skill：llm-text-correct（LLM text correct 工具）
来源仓库：https://github.com/wangminrui2022/llm-text-correct
安装命令：
openclaw skills install llm-text-correct
安装前请先检查当前环境是否支持对应 CLI，并向我确认将要执行的命令、安装目录、联网范围和文件读写权限；确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill；本站只展示命令，不托管安装包，也不自动执行。

ClawHubOpenClaw
openclaw skills install llm-text-correct

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成，减少手工复制粘贴。

用于纠正中文文本错误，包括拼写、语法、标点及形近字问题。采用 pycorrector + MacBERT 模型实现高精度中文纠错。支持直接输入文字或提供文本文件进行批量修正。安装前建议确认权限范围、维护状态及是否会触发文件读写操作。llm-text-correct 属于效率类 Skill，可作为该场景下的辅助能力补充。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw；先确认自己用的是其中之一，再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install llm-text-correct；命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开，让新装的 Skill 被重新扫描到，否则列表里可能看不到。

  4. 4

    按最小权限试用

    权限没有明确标注，第一次使用时只给一个无关紧要的任务，观察它到底读了哪些文件和网络。

常见问题

6 条

llm-text-correct 怎么安装？

在终端执行 openclaw skills install llm-text-correct。装完完全退出宿主工具再打开，让它重新扫描本地 Skill。

llm-text-correct 支持哪些 AI 工具？

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录，一般也能手动放进去，但要自己确认触发方式是否一致。

llm-text-correct 需要什么权限？

权限级别没有明确标注。第一次使用时建议只给无关紧要的任务，观察它实际读写了哪些内容。

llm-text-correct 是免费的吗？

来源标注的许可证是 MIT-0。本站不代收任何费用，也不托管安装包；能否商用、要不要署名，以许可证原文为准。

llm-text-correct 用的人多吗？

公开数据是累计安装 6,717 次，近一周安装 275 次，下载 2,256 次。这些数字来自第三方目录统计，只能当作热度参考，不代表质量或安全性。

llm-text-correct 安全吗？

第三方扫描有提醒项，说明存在需要人工确认的行为。安装前请打开源码看清它读了什么、联网到哪里。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主，触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0，商用和分发边界好判断。

先想清楚的地方

  • 第三方扫描存在提醒项或未通过项，需要人工逐条确认。
  • 第三方目录整理，版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw，想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。

不太适合

  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
llm-text-correct

LLM text correct 工具 · 本页

6,717—权限未标注MIT-0有提醒

按安装量取同分类前几名；数字来自第三方目录统计，只作热度参考，不代表质量结论。

SKILL.md 原文

name
LLM-Text-Correct
description
|
metadata
openclaw
requires
bins
user-invocable
true

LLM-Text-Correct

功能：使用 pycorrector + MacBERT 专业模型，自动修正中文拼写、形近字、语法、标点等错误。准确率高达 90%+，适合正式文档、文章、聊天记录等需要高精度的中文文本。

触发时机（Triggers）

  • 用户提供一段中文文字，并带有“纠正”“修正”“改错”“检查错别字”“润色”“优化”“语法错误”等关键词。
  • 用户说“帮我改一下这段话”“这段文字有问题帮我看看”等口语。
  • 支持直接粘贴大段文本，或提供 .txt 文件路径。
  • 支持批量：一次提供多个段落或文件。

支持的模型（推荐顺序）

  1. shibing624-macbert4csc-base-chinese → 基于 Transformer（MacBERT）的深度学习纠错模型，效果最佳（推荐默认）。
  2. chinese-kenlm-klm → 基于 KenLM 的统计语言模型（N-gram），速度更快但精度稍低。

核心优势

  • 专业模型纠错，比普通 LLM 提示词更准确稳定。
  • 支持 GPU 加速（脚本会自动检测）。
  • 输出 corrected 版本，并可对比显示修改处。

参数提取指南

当决定调用此技能时，请从用户上下文中提取以下参数：

  1. <输入文本/路径> (必填): 用户提供的中文文本内容，或文本文件路径（如 /path/to/text.txt）。
  2. --refine (选填): 如果用户想要进一步润色或优化风格，可添加此参数。
  3. --model-path "<模型路径>" (选填): 用户指定使用特定模型路径时传入，默认自动选择推荐模型。

执行步骤

  1. 识别输入：判断用户是直接给了文本内容，还是提供了文件路径。
  2. 默认输出：若未指定输出路径，默认在输入同级创建 [原文件名]_corrected.txt 或直接返回修正后的文本。
  3. 调用命令：使用以下兼容性命令启动脚本（优先 python3，失败则 python）。脚本会自动创建虚拟环境、检测 GPU 并安装依赖。
   (python3 scripts/correct_text.py "<输入文本/路径>" [--refine] [--model-path "<模型路径>"]) || (python scripts/correct_text.py "<输入文本/路径>" [--refine] [--model-path "<模型路径>"])

平台分布

OpenClaw

75.33%
按下载量换算1,699

安全审计

VirusTotal

可疑

ClawScan

可疑

Static analysis

通过

权限和风险

权限未标注

当前来源未能明确判断权限范围，默认进入异常复核队列。

安装前确认

本站仅展示第三方公开信息，不托管安装包，不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。来源安全扫描存在提醒或未通过项，安装前请自行复核。目前只有一个公开来源，建议同时核对源仓库。

继续浏览同类 Skills

更多效率 Skills（21,003）返回 Skills 目录

上一个 Skill

llm-tester（LLM tester 测试）

yuzhihui886/llm-tester

用于辅助测试设计、自动化测试、用例整理和回归验证。它适合让 Agent 编写单元测试、端到端测试、测试计划或根据失败日志定位问题。使用时需要确认项目测试框架、运行命令和夹具数据，避免为了通过测试而改坏真实逻辑；涉及浏览器或外部服务时，应区分本地模拟、测试环境和生产环境。

下一个 Skill

llm-trend-report-ray1012（LLM trend report ray1012 效率）

ray1012/llm-trend-report-ray1012

llm-trend-report-ray1012 用于补充效率相关能力，适合在 OpenClaw 中需要让 Agent 承接效率相关任务时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态，以及是否会触发联网、命令执行或文件读写。