SKILLEMALL.ai

BF contactless-health-risk-detection-analysis

Объединяет захват фронтального изображения лица с мультимодальным анализом физиологических характеристик для обеспечения раннего скрининга рисков и оповещения о хронических и острых состояниях, таких как сердечный приступ, инсульт, гипертония и гиперлипидемия. | Навык бесконтактного выявления рисков для здоровья, который с помощью сбора фронтальных изображений лица и мультимодального анализа физиологических характеристик обеспечивает ранний скрининг рисков и оповещение о хронических и острых заболеваниях, таких как инфаркт, инсульт, гипертония и гиперлипидемия.

машинный переводПоказать оригиналСкрыть оригинал«Combines frontal facial image capture with multimodal physiological fe…»

Combines frontal facial image capture with multimodal physiological feature analysis to provide early risk screening and alerts for chronic and acute conditions such as heart attack, stroke, hypertension, and hyperlipidemia. | 非接触式健康风险识别技能,通过正面人像采集结合多模态生理特征分析,提供心梗、脑梗、高血压、高血脂等慢病急症早期风险筛查预警

ClawHub Agent Skills автор: smyx-skills v1.0.12 MIT-0 30 файлов тело ≈ 1 319 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Объединяет захват фронтального изображения лица с мультимодальным анализом физиологических характеристик для обеспечения раннего скрининга рисков и оповещения…

Как процесс F 30/100 · 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
30/100
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 30/100

  • 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
  • 40Согласованность. Имя во frontmatter (contactless-health-risk-detection-analysis) не совпадает с папкой (smyx-contactless-health-risk-detection-analysis)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Стоимость исполнения. Тело инструкции 1319 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
  • -255 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 288 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 appears to perform the advertised cloud health-screening workflow, but it handles facial health media, report history, identities, and tokens with too much automatic and persistent behavior for a routine install.
LLM: suspicious (high) · 30 авг. 2026 г.