SKILLEMALL.ai

CF smyx-child-emotion-recognition-analysis

С помощью стационарных камер (и опциональных микрофонов) дома или в детских садах ИИ-анализ в реальном времени распознает выражение лица ребенка (форму бровей/глаз, изгиб уголков рта), особенности плача (высоту тона, частоту, длительность) и амплитуду движений (взмахи, топанье, сворачивание в клубок), чтобы комплексно определить типичное эмоциональное состояние ребенка: счастье, грусть, злость, страх и т.д.

машинный переводПоказать оригиналСкрыть оригинал«Using fixed cameras (and optional microphones) at home or in kindergar…»

Using fixed cameras (and optional microphones) at home or in kindergartens, AI multimodal analysis recognizes a child's facial expressions (eyebrow/eye shape, mouth-corner curvature), cry-sound features (pitch, frequency, duration), and body-motion amplitude (waving, stomping, curling up) in real time, and jointly identifies the child's typical emotional state: happy, sad, angry, fearful, etc. | 通过家庭或幼儿园内的固定摄像头(及可选麦克风),利用AI多模态分析技术实时分析儿童的面部表情(如眉眼形态、嘴角弧度)、哭声音频特征(音调、频率、持续时间)以及肢体动作幅度(挥手、跺脚、蜷缩等),综合识别出儿童当前的典型情绪状态:快乐、悲伤、愤怒、恐惧等。

ClawHub Agent Skills автор: smyx-skills v1.0.30 MIT-0 30 файлов · 18 скриптов тело ≈ 1 571 токенов Открыть источникclawhub.ai↗ проанализирован 8 дн назад

С помощью стационарных камер (и опциональных микрофонов) дома или в детских садах ИИ-анализ в реальном времени распознает выражение лица ребенка (форму…

Как процесс F 32/100 · Процесс не описан — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторРазработкатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
C
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
F
32/100
Процесс не описан
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
  • 21Шаги. Шагов: 1, расплывчатых формулировок: 1
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1571 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 526 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
The skill is mostly coherent as a cloud child-emotion analysis tool, but it silently creates/reuses identities, stores tokens, and retrieves sensitive child history with too little user control.
LLM: suspicious (high) · 30 сент. 2026 г.