SKILLEMALL.ai

BF smyx-infant-blanket-kick-detection-analysis

Используя ночную камеру (инфракрасную или с низкой освещенностью) над детской кроваткой, система в реальном времени анализирует покрытие тела младенца одеялом. Она проверяет, ниже ли покрытие одеялом заданного порога (например, 50%), или распознает движения ногами, из-за которых одеяло соскальзывает, а затем выдает оповещение. | Через детскую кроватку с ночной камерой (инфракрасной или с низкой освещенностью) в реальном времени анализируется покрытие тела младенца одеялом. Может взаимодействовать с устройствами умного дома (например, автоматически повышать температуру в комнате, отправлять уведомления на телефон родителей), чтобы предотвратить переохлаждение младенца.

машинный переводПоказать оригиналСкрыть оригинал«Using a night-time camera (infrared or low-light) above the crib, the…»

Using a night-time camera (infrared or low-light) above the crib, the system analyzes in real time the coverage of the blanket on the infant's body. It checks whether the blanket coverage is below a preset threshold (e.g., 50%) or recognizes the kicking motions that cause the blanket to slip off, then outputs an alert. | 通过婴儿床夜间摄像头(红外或微光),实时分析婴儿身体及被子的覆盖情况。可联动智能家居设备(如自动调高室温、推送提醒至父母手机),预防婴儿着凉。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.8 MIT-0 30 файлов тело ≈ 1 502 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Используя ночную камеру (инфракрасную или с низкой освещенностью) над детской кроваткой, система в реальном времени анализирует покрытие тела младенца одеялом.

Как процесс F 32/100 · Не запустится — 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
F
32/100
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: 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 32/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1502 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
  • -255 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 394 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 performs baby-video cloud analysis, but it also automatically links identity, stores account tokens locally, retrieves cloud history, and ships with under-scoped/default dev service configuration.
LLM: suspicious (high) · 28 авг. 2026 г.