SKILLEMALL.ai

BF elderly-bed-exit-wandering-monitoring-analysis

Распознает аномальное поведение, такое как ночные вставания с кровати, длительное блуждание и длительное неподвижное состояние. Подходит для ночного мониторинга безопасности в домах престарелых и для пожилых людей, живущих одни. | Навык мониторинга ночных вставаний и блужданий пожилых людей, распознает аномальное поведение, такое как ночные вставания с кровати, длительное блуждание, длительное неподвижное состояние, подходит для ночного мониторинга безопасности в домах престарелых и для пожилых людей, живущих одни.

машинный переводПоказать оригиналСкрыть оригинал«Identifies abnormal behaviors such as getting out of bed at night, pro…»

Identifies abnormal behaviors such as getting out of bed at night, prolonged wandering, and remaining motionless for extended periods. It is suitable for night-time safety monitoring in nursing homes and for elderly people living alone. | 老人离床徘徊监测技能,识别夜间起床离床、长时间徘徊、长时间静止不动异常行为,适用于养老院、独居老人夜间安全监测

ClawHub Agent Skills автор: smyx-skills v1.0.16 MIT-0 30 файлов тело ≈ 1 337 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Распознает аномальное поведение, такое как ночные вставания с кровати, длительное блуждание и длительное неподвижное состояние.

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 (elderly-bed-exit-wandering-monitoring-analysis) не совпадает с папкой (smyx-elderly-bed-exit-wandering-monitoring-analysis)
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Стоимость исполнения. Тело инструкции 1337 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 294 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’s cloud video analysis purpose is understandable, but it silently creates and reuses identities, stores tokens locally, and sends sensitive monitoring data to external services with weak user-facing consent boundaries.
LLM: suspicious (high) · 25 авг. 2026 г.