SKILLEMALL.ai

BD smyx-flowering-fruit-set-rate-analysis-analysis

AI-анализ цветения и завязывания плодов для томатов / перца. По изображениям цветущих/плодоносящих гроздей из домашнего гроубокса или мобильного телефона, использует модели обнаружения объектов для подсчета раскрытых цветков (полностью раскрытая венчик с видимыми тычинками) и успешно завязавшихся молодых плодов (увеличенный завязь, ~0.5-1 см зеленые маленькие плоды), и вычисляет процент завязывания плодов = молодые плоды / цветки × 100%. Помогает садоводам оценить опыление, питание и адаптивность к окружающей среде, а также направляет искусственное опыление или корректировку воды/удобрений. Сценарии: домашние умные гроубоксы, теплицы, балконные огороды. | По изображениям цветущих/плодоносящих гроздей растений, снятых из домашнего гроубокса или мобильного телефона (включая соцветия, область плодов), использует AI-модели обнаружения объектов для подсчета количества раскрытых цветков (полностью раскрытый венчик, видимые тычинки) и количества завязавшихся маленьких плодов (увеличенная завязь, зеленые молодые плоды диаметром ~0.5-1 см), вычисляет процент завязывания плодов (количество маленьких плодов / количество цветков × 100%). Этот навык помогает садоводам оценить эффективность опыления, состояние питания и адаптивность к окружающей среде, а также направляет искусственное опыление или корректировку водного и питательного режима. Сценарии применения: домашние умные гроубоксы, теплицы, балконные огороды.

машинный переводПоказать оригиналСкрыть оригинал«AI-powered flowering and fruit-set rate analysis for tomato / chili pl…»

AI-powered flowering and fruit-set rate analysis for tomato / chili plants. From home grow-box or mobile phone images of flowering/fruit clusters, uses object-detection models to count open flowers (fully-opened corolla with visible stamens) and successfully-set young fruits (enlarged ovary, ~0.5-1cm green baby fruits), and computes fruit-set rate = young fruits / flowers × 100%. Helps growers evaluate pollination, nutrition and environmental adaptability, and guides hand-assisted pollination or water/fertilizer adjustment. Scenarios: home smart grow-boxes, greenhouses, balcony vegetable gardens. | 通过家庭种植箱或手机拍摄的植株花果图像(包含花穗、果实区域),利用AI视觉目标检测模型识别开放花朵(花冠完全展开、雄蕊可见)的数量以及已坐果的小果(子房膨大、直径约0.5-1cm的绿色幼果)数量,计算坐果率(小果数/花朵数 × 100%)。该技能帮助种植者评估授粉效果、营养状况及环境适应性,指导人工辅助授粉或调整水肥管理。应用场景:家庭智能种植箱、温室大棚、阳台菜园。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.10 MIT-0 30 файлов тело ≈ 1 442 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

AI-анализ цветения и завязывания плодов для томатов / перца.

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

АнализаторИнфраструктуратип 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 1442 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
  • -256 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 791 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 mostly matches a cloud plant analysis tool, but it has risky hidden identity, token storage, plaintext development API configuration, and server-triggered payment-skill promotion behavior that users should review before installing.
LLM: suspicious (high) · 7 сент. 2026 г.