BF smyx-uav-farm-health-index-map-analysis
С помощью мультиспектральных или высокоразрешающих RGB-камер, установленных на сельскохозяйственных БПЛА, для получения ортофотопланов или мозаик сельскохозяйственных угодий, модели ИИ вычисляют вегетационные индексы (например, NDVI, NDRE) и генерируют тепловую карту индекса здоровья фермы, где цвета различают силу роста культур (красный = плохой, желтый = средний, зеленый = здоровый). | С помощью мультиспектральных или высокоразрешающих RGB-камер, установленных на сельскохозяйственных БПЛА, для получения ортофотопланов или мозаик сельскохозяйственных угодий, модели ИИ вычисляют вегетационные индексы (например, NDVI, NDRE) и генерируют тепловую карту индекса здоровья фермы, где цвета различают силу роста культур (красный = плохой, желтый = средний, зеленый = здоровый). Этот навык может быстро выявлять проблемные зоны (например, недостаток удобрений, воды, вредителей, сорняков), направляя точное дифференцированное внесение удобрений или операции по защите растений.
машинный переводПоказать оригиналСкрыть оригинал«Using multispectral or high-resolution RGB cameras mounted on agricult…»
Using multispectral or high-resolution RGB cameras mounted on agricultural UAVs to capture orthophotos or mosaics of farmland, AI models compute vegetation indices (e.g., NDVI, NDRE) and generate a farm health-index heatmap, where colors distinguish crop vigor (red = poor, yellow = medium, green = healthy). | 通过农业无人机平台搭载的多光谱或高分辨率RGB相机，采集农田的正射影像或拼接图，利用AI模型计算植被指数（如归一化植被指数NDVI、归一化红边指数NDRE等），生成农田健康指数热力图，用颜色区分作物长势（红色代表健康差、黄色代表中等、绿色代表健康）。该技能可快速识别问题区域（如缺肥、缺水、病虫害、杂草），指导精准变量施肥或植保作业。
С помощью мультиспектральных или высокоразрешающих RGB-камер, установленных на сельскохозяйственных БПЛА, для получения ортофотопланов или мозаик…
Как процесс F 32/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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-whendescription 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: 1, 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 1590 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
- -255 эмодзи в инструкциях: шум для модели
- -32 из 4 скриптов не упомянуты в SKILL.md
- +2Инструкции на одном языке
- +3Длина description 478 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.