SKILLEMALL.ai

BF smyx-sick-poultry-behavior-detect-analysis

Распознает признаки болезненного поведения у птицы и свиней по непрерывным видеозаписям из птичников — такие как трудности при вставании, взъерошенные перья/пилоэрекция, изоляция, сонливость и потеря аппетита — и выдает тип поведения с уровнем риска за 2-3 дня до появления видимых клинических признаков. | Распознает болезненное поведение, такое как трудности при вставании, взъерошенные перья, изоляция, сонливость, и за 2-3 дня до появления видимых клинических признаков.

машинный переводПоказать оригиналСкрыть оригинал«Detects morbid behavioral cues in poultry and pigs from continuous bar…»

Detects morbid behavioral cues in poultry and pigs from continuous barn videos — such as difficulty standing, ruffled feathers/piloerection, isolation, drowsiness and appetite loss — and outputs behavior type with risk level up to 2-3 days ahead of visible clinical signs. | 识别站立困难、羽毛蓬松、离群、嗜睡等病态行为,比人工观察提前2-3天。

ClawHub Agent Skills автор: smyx-skills v1.0.6 MIT-0 30 файлов тело ≈ 1 548 токенов Открыть источникclawhub.ai проанализирован 32 ч назад

Распознает признаки болезненного поведения у птицы и свиней по непрерывным видеозаписям из птичников — такие как трудности при вставании, взъерошенные…

Как процесс F 31/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторДанные и аналитикаМедиа и видеотип 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
31/100
Не запустится
Шаги вес 15
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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: 0. 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 31/100

  • 0Шаги. Инструкция сплошным текстом, шаги не выделены
  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1548 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

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
  • -267 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 310 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 31 заголовков
  • +4Есть примеры (8 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’s main purpose is coherent, but it automatically uses cloud APIs, account identity, local token storage, and plaintext development endpoints in ways users should review before installing.
LLM: suspicious (high) · 8 сент. 2026 г.