SKILLEMALL.ai

BF smyx-autism-stereotyped-behavior-detect-analysis

С помощью стационарной камеры в реабилитационных центрах или домах система анализирует видео с поведением детей с помощью оценки позы и временного обнаружения действий для распознавания повторяющихся стереотипных движений, включая вращение (вращение тела ≥ 360°), взмахи руками (нефункциональное повторяющееся движение рук), покачивание телом (ритмичное движение туловища вперед-назад или из стороны в сторону) и т. д. Эта функция может помочь реабилитологам и родителям объективно фиксировать изменения в поведении и оценивать эффективность вмешательств.

машинный переводПоказать оригиналСкрыть оригинал«Using a fixed camera in rehabilitation centers or homes, the system an…»

Using a fixed camera in rehabilitation centers or homes, the system analyzes children's behavior videos with pose estimation and temporal action detection to recognize repetitive stereotyped behaviors, including spinning (body rotation ≥ 360°), hand flapping (non-functional repetitive arm movement), body rocking (rhythmic forward-backward or side-to-side trunk motion), etc. | 通过康复机构或家庭固定摄像头,分析儿童行为视频,利用姿态估计和时序动作检测技术识别重复性刻板动作,包括转圈(身体旋转360°以上)、摆手(手臂非功能性重复摆动)、摇晃(躯干前后或左右有节律摆动)等。该技能可辅助康复师和家长客观记录行为变化,评估干预效果。

ClawHub Agent Skills автор: smyx-skills v1.0.10 MIT-0 30 файлов тело ≈ 1 707 токенов Открыть источникclawhub.ai проанализирован 11 ч назад

С помощью стационарной камеры в реабилитационных центрах или домах система анализирует видео с поведением детей с помощью оценки позы и временного обнаружения…

Как процесс F 34/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторМедиа и видеоРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
F
34/100
Не запустится
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
Для прогона на моделях — необязательно
  • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
  • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

Находки guard · 0

✓ Критических и высоких находок нет

Просканировано файлов: 30. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 34/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Ошибки и развилки. Линейный процесс без обработки сбоев
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 21Шаги. Шагов: 1, расплывчатых формулировок: 1
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1707 токенов
  • 100Повторный запуск. Изменяющих операций нет

Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

Сигналы качества

  • +5В description нет примеров фраз, по которым скилл должен срабатывать
  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -257 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 506 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +4Есть примеры (3 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
The skill’s child-behavior video analysis purpose is coherent, but it automatically creates or reuses identities, uploads sensitive minors’ media, queries cloud history, and stores tokens with limited user control.
LLM: suspicious (high) · 24 авг. 2026 г.