SKILLEMALL.ai

BF smyx-depression-behavioral-markers-analysis

Используя стационарные домашние камеры (в спальне и столовой), система анализирует многодневное поведение пожилых людей или одиноких людей, определяя продолжительность пребывания в постели (непрерывно более 20 часов в день) и резкое снижение частоты/продолжительности приема пищи (например, количество действий, связанных с приемом пищи, ниже 50% от личной нормы). | Через домашние стационарные камеры (в спальне и столовой) анализируется многодневное поведение пожилых людей или одиноких людей, выявляется продолжительность пребывания в постели (непрерывно более 20 часов в день) и резкое снижение частоты/продолжительности приема пищи (например, количество действий, связанных с приемом пищи, ниже 50% от личной нормы). Когда эти изменения в поведении длятся более установленного количества дней (например, 3 дня), выводится отчет об изменении поведения, чтобы привлечь внимание родственников или врача общины к возможной депрессии или другим проблемам со здоровьем.

машинный переводПоказать оригиналСкрыть оригинал«Using fixed home cameras (bedroom and dining area), the system analyze…»

Using fixed home cameras (bedroom and dining area), the system analyzes the multi-day behavior pattern of elderly people or solo-living individuals, detecting daily lying-in-bed duration (continuous lying > 20 hours per day) and a sharp drop in eating frequency / duration (e.g., daily eating-action count below 50% of personal baseline). | 通过家庭固定摄像头(卧室和餐厅区域),分析老年人或独居者连续多日的行为模式,检测卧床时长(连续卧床超过20小时/天)以及进食频次/时长骤减(如每日进食动作次数低于历史基线的50%)。当这些行为变化持续超过设定天数(如3天)时,输出行为变化报告,提醒家属或社区医生关注可能存在的抑郁倾向或其他健康问题。

ClawHub Agent Skills автор: smyx-skills v1.0.12 MIT-0 30 файлов тело ≈ 1 820 токенов Открыть источникclawhub.ai проанализирован 26 ч назад

Используя стационарные домашние камеры (в спальне и столовой), система анализирует многодневное поведение пожилых людей или одиноких людей, определяя…

Как процесс F 32/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторРазработкаИнфраструктуратип 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: 2, 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 1820 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
  • -258 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 491 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 handles highly sensitive in-home health video through remote services and silently manages user identities and tokens without enough clear consent, scoping, or retention detail.
LLM: suspicious (high) · 23 авг. 2026 г.