SKILLEMALL.ai
EN Войти

BC phenology-metrics

Извлекает фенофазы из временных рядов данных NDVI/EVI. Вычисляет: 'Извлекает фенофазы из временных рядов данных NDVI/EVI. Вычисляет SOS, EOS, LOS, пиковое значение/дату, амплитуду и интеграл, используя методы пороговой, производной или двойной логистической подгонки.

машинный переводПоказать оригиналСкрыть оригинал«Extract phenological metrics from NDVI/EVI time series data. Computes…»

Extract phenological metrics from NDVI/EVI time series data. Computes description: 'Extract phenological metrics from NDVI/EVI time series data. Computes SOS, EOS, LOS, peak value/date, amplitude, and integral using threshold, derivative, or double logistic fitting methods.

ClawHub Agent Skills автор: ruiduobao v5.0.1 MIT-0 19 файлов тело ≈ 2 990 токенов Открыть источникclawhub.ai↗ проанализирован 30 ч назад

Извлекает фенофазы из временных рядов данных NDVI/EVI.

Как процесс C 55/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

ПроцедураGitHubДанные и аналитикатип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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: 17. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Unexpected scalar at node end at line 2, column 99: …me series data. Computes description: 'Extract phenological metrics from NDVI/… ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 55/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (phenology-metrics) не совпадает с папкой (geoskill-phenology-metrics)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Шаги. Шагов: 62
  • 100Стоимость исполнения. Тело инструкции 2990 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 36. 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)
  • +2Инструкции на одном языке
  • +3Длина description 276 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 47 заголовков
  • +3Пошаговые инструкции: 62 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (24 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
The skill is a real phenology-analysis tool, but it bundles hardcoded Earthdata credentials and has under-disclosed network/place-resolution behavior despite local-only privacy claims.
LLM: suspicious (high) · 1 авг. 2026 г.