SKILLEMALL.ai

BD smyx-fish-egg-incubation-stage-analysis

С помощью固定 камер (макрообъектив) в инкубаторе система периодически делает снимки икринок рыбы и использует ИИ-анализ для определения изменений цвета (прозрачный → белый/черный) и появления глазка эмбриона (маленькие черные точки), определяя стадии инкубации (неоплодотворенная / ранняя / средняя / поздняя / вылупление). Система автоматически анализирует (например, каждые 6 часов) и выдает стадию инкубации и рекомендации (например, «появился глазок, ожидается вылупление в течение 24 часов, подготовьте артемию»).

машинный переводПоказать оригиналСкрыть оригинал«Through breeding-tank fixed cameras (macro lens), the system periodica…»

Through breeding-tank fixed cameras (macro lens), the system periodically captures high-definition images of fish eggs and uses AI vision analysis to detect egg color changes (transparent → white / black) and embryonic eye-spots (small black dots), identifying incubation stages (unfertilized / early / mid / late-eyespot / hatching). | 通过繁殖缸固定摄像头(微距镜头),定期拍摄鱼卵的高清图像,利用 AI 视觉分析技术检测鱼卵颜色变化(透明 → 发白/发黑)以及胚胎眼睛点(黑色小点)的出现,识别鱼卵的孵化阶段(未受精/早期/中期/晚期/破壳)。系统定时(如每 6 小时)自动分析,输出孵化阶段及建议(如'已出现眼睛点,预计 24 小时内孵化,准备丰年虾')。

ClawHub Agent Skills автор: smyx-skills v1.0.5 MIT-0 30 файлов тело ≈ 2 143 токенов Открыть источникclawhub.ai проанализирован 12 ч назад

С помощью固定 камер (макрообъектив) в инкубаторе система периодически делает снимки икринок рыбы и использует ИИ-анализ для определения изменений цвета…

Как процесс D 35/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторРазработкатип 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
D
35/100
Процесс не доведён
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 35/100

  • 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
  • 25Шаги. Шагов: 1
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2143 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
  • -267 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 499 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
This skill is mostly a cloud fish-egg image analysis tool, but it silently creates or reuses account identity, stores auth tokens locally, and uses under-scoped remote API behavior that needs review before installation.
LLM: suspicious (high) · 2 сент. 2026 г.