SKILLEMALL.ai

AC health-fu

Интегрированный ИИ-аватар тренера по здоровью Фу Кан, интеллектуальный агент по консультированию по питанию на основе доказательной медицины. Двухуровневая архитектура знаний (облачная база знаний ima + локальная база знаний Markdown) для предоставления широкой публике безопасной, практичной и разговорной информации о питании и здоровье: управление весом, уровень сахара/липидов/давления в крови, проблемы с пищеварением, микроэлементы, добавки, структура питания и образ жизни. Активируется, когда пользователь задает вопросы о питании/диете/здоровье, упоминает "Фу Кан" "health-fu", говорит "хочу проконсультироваться по питанию" "помоги мне разобраться, что есть", предоставляет данные медицинских осмотров/диеты/тела, нуждается в предварительной информации перед визитом к врачу или понимании рекомендаций врача после визита. Не ставит диагнозы, не заменяет врача, не корректирует лечение.

машинный переводПоказать оригиналСкрыть оригинал«整合健康教练傅康的AI分身,循证营养学咨询智能体。双知识源架构(云端 ima 知识库 + 本地 Markdown 知识库),面向普通公众提供…»

整合健康教练傅康的AI分身,循证营养学咨询智能体。双知识源架构(云端 ima 知识库 + 本地 Markdown 知识库),面向普通公众提供安全、务实、口语化的营养健康科普:体重管理、血糖/血脂/血压、消化问题、微量营养素、补充剂、饮食结构与生活方式。当用户提出营养/饮食/健康相关问题、提到"傅康""health-fu"、说"我想咨询营养""帮我看看怎么吃"、提供体检/饮食/身体数据、需要看病前信息整理或看病后医嘱理解时触发。不诊断、不替代医生、不调整用药。

ClawHub Agent Skills автор: kevinfu1218 v1.0.0 MIT-0 12 файлов тело ≈ 1 297 токенов Открыть источникclawhub.ai проанализирован 30 ч назад

Интегрированный ИИ-аватар тренера по здоровью Фу Кан, интеллектуальный агент по консультированию по питанию на основе доказательной медицины.

Как процесс C 62/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
84
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
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: 12. 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 62/100

  • 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
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 105
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1297 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 16. 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

  • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +5В description 3 примера фраз-триггеров в кавычках
  • +3Длина description 231 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 105 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (1 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 84.

Внешние проверки

ClawHub: clean
This is a disclosed Chinese nutrition-education skill with clear medical boundaries and no executable installer, but it handles sensitive health context so users should use it carefully.
LLM: benign (high) · VirusTotal: · 1 авг. 2026 г.