AD smyx-pet-drying-box-heat-stress-analysis
Активируется, когда пользователь предоставляет URL видео или файл с ящиком для сушки домашних животных для анализа; поддерживает загрузку локальных видео или сетевых URL для вызова серверных API для обнаружения сигналов теплового стресса у домашних животных, анализа интенсивности учащенного дыхания, цвета языка (розовый/цианотический) и частоты движений тела для выявления ранних сигналов теплового стресса, выдавая уровни риска и поддерживая автоматическое охлаждение или остановку сушки. Сценарии применения: ящики для сушки домашних животных, зоосалоны, ветеринарные клиники. Причина разработки: предотвращение теплового удара и повышение безопасности. | 当用户提供宠物烘干箱区域的视频URL或文件时，触发本技能进行烘干箱内热应激预警分析；支持通过上传本地视频或网络视频URL，调用服务端API进行热应激信号识别，分析张口喘气强度、舌体颜色（粉红/紫绀）、身体移动频率，识别热应激早期信号，输出风险等级，支持自动降温或停止烘干。应用场景：宠物烘干箱、宠物美容店、宠物医院。
машинный переводПоказать оригиналСкрыть оригинал«Triggers when a user provides a pet drying box area video URL or file…»
Triggers when a user provides a pet drying box area video URL or file for analysis; supports local video uploads or network URLs to call server-side APIs for pet heat stress signal detection, analyzing open-mouth panting intensity, tongue color (pink/cyanotic), and body movement frequency to identify early heat stress signals, outputting risk levels and supporting auto-cooling or stopping drying. Application scenarios: pet drying boxes, pet grooming stores, pet hospitals. Development reason: prevent heatstroke and improve safety. | 当用户提供宠物烘干箱区域的视频URL或文件时，触发本技能进行烘干箱内热应激预警分析；支持通过上传本地视频或网络视频URL，调用服务端API进行热应激信号识别，分析张口喘气强度、舌体颜色（粉红/紫绀）、身体移动频率，识别热应激早期信号，输出风险等级，支持自动降温或停止烘干。应用场景：宠物烘干箱、宠物美容店、宠物医院。
Активируется, когда пользователь предоставляет URL видео или файл с ящиком для сушки домашних животных для анализа; поддерживает загрузку локальных видео или…
Как процесс D 41/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, входы и предусловия
Как улучшить
- 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
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 41/100
- 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
- 25Шаги. Шагов: 1
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1353 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 696 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: 81.