SKILLEMALL.ai
EN Войти

BC urban-heat-analysis

Расчет интенсивности городского острова тепла (UHI) на основе данных MODIS LST GeoTIFF. описание: 'Расчет интенсивности городского острова тепла (UHI) на основе данных MODIS LST GeoTIFF. Классификация уровней тепловых островов, проведение временного анализа и вывод карт UHI со статистикой.

машинный переводПоказать оригиналСкрыть оригинал«Calculate Urban Heat Island (UHI) intensity from MODIS LST GeoTIFF dat…»

Calculate Urban Heat Island (UHI) intensity from MODIS LST GeoTIFF data. description: 'Calculate Urban Heat Island (UHI) intensity from MODIS LST GeoTIFF data. Classify heat island levels, perform temporal analysis, and output UHI maps with statistics.

ClawHub Agent Skills автор: ruiduobao v3.0.0 MIT-0 6 файлов тело ≈ 2 969 токенов Открыть источникclawhub.ai↗ проанализирован 27 ч назад

Расчет интенсивности городского острова тепла (UHI) на основе данных MODIS LST GeoTIFF.

Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, отчётность по ходу

АнализаторДанные 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
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
57/100
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
Это копия скилла из другого каталога, в рейтинге считается основная: urban-heat-analysis (ClawHub)

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: 0. 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 102: … MODIS LST GeoTIFF data. description: 'Calculate Urban Heat Island (UHI) inten… ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ ); 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 57/100

  • 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
  • 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
  • 85Шаги. Шагов: 34, расплывчатых формулировок: 1
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 2969 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 41. 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 254 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 46 заголовков
  • +3Пошаговые инструкции: 34 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (23 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
This is mostly a local urban-heat-analysis skill with some reliability and disclosure gaps around an optional download workflow, but no evidence of malicious behavior.
LLM: benign (medium) · VirusTotal: · 1 авг. 2026 г.