效率权限需确认clawhub未标认证来源可访问clear审计提醒

llm-text-correct（LLM text correct 工具）

Agent Skill

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。

总安装

6,717

周安装

275

GitHub Stars

公开资料未说明

下载量

2,256

OpenClaw

安装说明

本站只整理中文说明和来源信息，不托管安装包，也不代用户安装。

GitHub

来源数

许可证

MIT-0

最后核验

2026-05-01

来源状态

来源可访问

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

简介

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。

SKILL.md

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）

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）。
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：

<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）。
--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。
--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

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。
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。
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>"])

适合场景

OpenClaw 用户查找和安装 Skill 时

用户想查找某类 Agent Skill 时

需要根据任务场景推荐可安装能力包时

需要对比不同来源的安装命令和来源信息时

能力概览

能力 1

按任务关键词查找相关 Skills

能力 2

展示可复制的安装命令

能力 3

保留来源站点、仓库和原始说明，方便继续核验

能力 4

补充不同宿主或平台的使用分布数据

能力 5

展示第三方安全扫描或审计结果

安装后应在对应宿主中按原始 README 的触发条件使用；具体调用方式请以来源页面和 README 为准。

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

权限需确认

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 warning/failed 结果，不能写成本站确认安全。当前只有一个来源，正式发布前建议补源仓库或其他目录站核验。

来源信息

GitHub 仓库

github.com

/wangminrui2022/llm-text-correct

SKILL.md 来源

clawhub.ai

/wangminrui2022/llm-text-correct

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）

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）

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。