SKILLEMALL.ai

AD anomaly-detection

Навык обнаружения аномалий временных рядов на основе ИИ. Основан на большой нулевой модели временных рядов Amazon Chronos-2, выполняет многофакторное слияние для обнаружения аномалий (Z-Score/MAD/IQR/отклонение от скользящей средней) для предоставленных пользователем данных (CSV/Excel/JSON/вставка) или данных API, автоматически классифицирует типы аномалий (точечные/контекстные/групповые/горизонтальные сдвиги) и оценивает их серьезность (P0-P2), генерируя интерактивный HTML-отчет с визуализацией, включающий график временных рядов с метками, анализ остатков, распределение аномалий, тепловую карту и подробный список. Триггерные слова: обнаружение аномалий, анализ аномалий, аномалии временных рядов, аномалии данных, обнаружить аномалии, anomaly detection, найти аномальные точки, отчет об аномалиях.

машинный переводПоказать оригиналСкрыть оригинал«AI时序异常检测技能。基于Amazon Chronos-2零样本时序大模型,对用户提供的数据(CSV/Excel/JSON/粘贴)或API接…»

AI时序异常检测技能。基于Amazon Chronos-2零样本时序大模型,对用户提供的数据(CSV/Excel/JSON/粘贴)或API接口数据,进行多方法融合异常检测(Z-Score/MAD/IQR/移动平均偏离),自动分类异常类型(点异常/上下文异常/集体异常/水平偏移)并评定严重度(P0-P2),生成包含时序标注图、残差分析、异常分布、热力图、详细列表的交互式HTML可视化报告。触发词:异常检测、异常分析、时序异常、数据异常、检测异常、anomaly detection、找异常点、异常报告。

ClawHub Agent Skills автор: bettermen v1.0.0 MIT-0 4 файла тело ≈ 896 токенов Открыть источникclawhub.ai проанализирован 31 ч назад

Навык обнаружения аномалий временных рядов на основе ИИ.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

АнализаторДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
D
46/100
Процесс не доведён
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: 4. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 52
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 896 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 252 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 52 пунктов
  • +4Есть примеры (4 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

Внешние проверки

ClawHub: suspicious
The skill appears to be a time-series analysis/reporting tool, but it can silently install Python packages and download model artifacts during normal use, which deserves manual review before installation.
LLM: suspicious (medium) · VirusTotal: · 20 июн. 2026 г.