SKILLEMALL.ai

BF smyx-reptile-tail-loss-detection-analysis

С помощью стационарных камер периодически захватываются изображения хвостов гекконов и ящериц, и используется визуальный анализ ИИ для определения длины хвоста (по сравнению с историческими изображениями или эталонными значениями длины тела), ран, струпьев или аномального укорочения кончика хвоста. При обнаружении внезапного заметного укорочения хвоста (например, более чем на 20%), видимой раны или струпьев на конце хвоста выводится сообщение «событие отрыва хвоста» с указанием времени его возникновения.

машинный переводПоказать оригиналСкрыть оригинал«Through fixed enclosure cameras, the system periodically captures tail…»

Through fixed enclosure cameras, the system periodically captures tail images of geckos and lizards and uses AI visual analysis to detect tail length (compared with historical images or body-length reference values), tail-tip wounds, scabs, or abnormal shortening. | 通过爬宠箱固定摄像头,定期拍摄守宫、蜥蜴等爬行动物的尾部图像,利用 AI 视觉分析技术检测尾巴长度(与历史图像或同体长参考值对比)、尾部尖端伤口、结痂或异常短缩。当检测到尾巴长度突然明显缩短(例如缩短超过 20%)、尾部断端可见伤口或结痂时,输出'断尾事件'提示,记录发生时间。

ClawHub Agent Skills автор: smyx-skills v1.0.10 MIT-0 30 файлов тело ≈ 2 424 токенов Открыть источникclawhub.ai проанализирован 20 ч назад

С помощью стационарных камер периодически захватываются изображения хвостов гекконов и ящериц, и используется визуальный анализ ИИ для определения длины…

Как процесс F 32/100 · Не запустится — 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
F
32/100
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 32/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2424 токенов

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
  • -277 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 406 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 has a coherent reptile image-analysis purpose, but it silently creates or reuses an identity, stores tokens locally, uploads media to a backend, and is packaged with private HTTP dev endpoints.
LLM: suspicious (high) · 26 авг. 2026 г.