AD smyx-crop-pest-identification-analysis
Обнаруживает и идентифицирует сельскохозяйственных вредителей по изображениям или видео листьев, бутонов или плодов культурных растений (локальный файл или URL). Вызывает серверные API для обнаружения распространенных сельскохозяйственных вредителей, таких как тля, паутинный клещ, хлопковая совка и кукурузный мотылек, выводя типы вредителей с оценками уверенности. | Обнаруживает и идентифицирует сельскохозяйственных вредителей по изображениям или видео листьев, бутонов или плодов культурных растений (локальный файл или URL). Вызывает серверные API для обнаружения распространенных сельскохозяйственных вредителей, таких как тля, паутинный клещ, хлопковая совка и кукурузный мотылек, выводя типы вредителей с оценками уверенности. Сценарии применения: раннее обнаружение вредителей томатов/кукурузы/арахиса и точечное применение пестицидов, сокращение злоупотребления пестицидами.
машинный переводПоказать оригиналСкрыть оригинал«Triggers when a user provides images or videos of crop leaves, buds or…»
Triggers when a user provides images or videos of crop leaves, buds or fruits (local file or URL) for pest identification; calls server-side APIs to detect common agricultural pests such as aphids, red spider mites, cotton bollworms and corn borers, outputting pest types with confidence scores. | 当用户提供作物叶片、嫩芽或果实的图像/视频（本地文件或网络URL）时，触发本技能进行虫害识别；调用服务端API检测蚜虫、红蜘蛛、棉铃虫、玉米螟等常见农业害虫，输出虫害类型与置信度。应用场景：番茄/玉米/花生的虫害早期发现与精准施药，减少农药滥用。
Обнаруживает и идентифицирует сельскохозяйственных вредителей по изображениям или видео листьев, бутонов или плодов культурных растений (локальный файл или…
Как процесс D 41/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, входы и предусловия
Как улучшить
- 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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 41/100
- 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
- 25Шаги. Шагов: 1
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1302 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле
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
- -255 эмодзи в инструкциях: шум для модели
- -32 из 4 скриптов не упомянуты в SKILL.md
- +2Инструкции на одном языке
- +3Длина description 421 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 21 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: 81.