BD smyx-grooming-effect-assessment-analysis
Оценка эффекта ухода за домашними животными с помощью ИИ: обнаруживает площадь остатков шерсти, покрытие перхотью и гладкость шерсти по изображениям после ухода, выдает оценку ухода от 0 до 100 с рекомендациями по повторному уходу. Сценарии: ежедневный домашний уход, проверка качества в зоосалоне, управление сезонной линькой длинношерстных кошек/собак. | Позволяет оценивать результат ухода за питомцем по фотографиям кожи и шерсти после вычесывания, сделанным с помощью умной щетки или обычной камеры. Используя ИИ-распознавание изображений, технология определяет площадь оставшихся колтунов, степень покрытия перхотью и гладкость шерсти, автоматически оценивая эффективность вычесывания и подсказывая, требуется ли повторный уход или дальнейшие процедуры. Помогает владельцам питомцев определить, было ли вычесывание полным, и предотвратить образование комков шерсти и кожные проблемы. Сценарии применения: ежедневное вычесывание домашних животных, контроль качества услуг в зоосалонах, управление сезонной линькой у длинношерстных кошек/собак.
машинный переводПоказать оригиналСкрыть оригинал«AI-powered pet grooming effect assessment: detects mat residue area, d…»
AI-powered pet grooming effect assessment: detects mat residue area, dandruff coverage, and coat smoothness from post-grooming images, outputs a 0-100 grooming score with targeted re-grooming suggestions. Scenarios: daily home grooming, pet salon quality check, long-hair cat/dog shedding season management. | 通过智能梳毛器或普通摄像头拍摄梳毛后的宠物皮肤和毛发高清图像，利用AI图像识别技术检测毛结团块残留面积、皮屑覆盖率以及毛发顺滑度，自动评估本次梳毛效果，并提示是否需要进行二次梳理或进一步护理。有助于宠物主人判断梳毛是否彻底，预防毛球症和皮肤问题。应用场景：宠物家庭日常梳理、宠物美容店服务质检、长毛猫/犬换毛期管理。
Оценка эффекта ухода за домашними животными с помощью ИИ: обнаруживает площадь остатков шерсти, покрытие перхотью и гладкость шерсти по изображениям после…
Как процесс D 35/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, когда включается
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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-whendescription 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 1343 токенов
- 100Повторный запуск. Изменяющих операций нет
- low Разделов верхнего уровня: 10. 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)
- +3Нет пошаговых инструкций или чек-листа
- +3Формат ответа не описан: модель каждый раз решает сама
- -259 эмодзи в инструкциях: шум для модели
- -32 из 4 скриптов не упомянуты в SKILL.md
- +2Инструкции на одном языке
- +3Длина description 468 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 20 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.