SKILLEMALL.ai

BF incontinence_alert_analysis

Автоматически определяет мокрую одежду и аномальные выделения с помощью визуального ИИ. Мгновенно уведомляет опекунов для улучшения ухода за пожилыми людьми с недержанием, лежачими больными и младенцами, уменьшая проблемы с кожей и осложнения. | Умное оповещение о состоянии недержания.

машинный переводПоказать оригиналСкрыть оригинал«Automatically identifies wet clothing and abnormal excretion via visua…»

Automatically identifies wet clothing and abnormal excretion via visual AI. Instantly notifies caregivers to improve care for incontinent elderly, bedridden patients, and infants, reducing skin issues and complications. | 智能失禁状态提醒技能,基于视觉AI自动识别衣物潮湿、排泄异常等状况,第一时间推送通知给看护人员,提升失能老人、卧床病人、婴幼儿的护理质量,减少皮肤问题和并发症

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.13 MIT-0 29 файлов тело ≈ 1 368 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Автоматически определяет мокрую одежду и аномальные выделения с помощью визуального ИИ.

Как процесс F 27/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
64
Прогон на моделях
не было
Процессный рейтинг
F
27/100
Не запустится
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: 29. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение name-format name должен быть в kebab-case (строчные буквы, цифры, дефисы)
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 27/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (incontinence_alert_analysis) не совпадает с папкой (smyx-incontinence-alert-analysis)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Стоимость исполнения. Тело инструкции 1368 токенов

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
  • -254 эмодзи в инструкциях: шум для модели
  • -31 из 3 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 301 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 18 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: 64.

Внешние проверки

ClawHub: suspicious
This skill has a coherent caregiving purpose, but it silently creates and reuses identity state, stores tokens locally, and can send sensitive care media and credentials over broad or plaintext network paths.
LLM: suspicious (high) · 7 сент. 2026 г.