SKILLEMALL.ai

BC darktable-photo-workflow

Структурированная критика фотографий Darktable и неразрушающий рабочий процесс редактирования RAW. Анализ на основе фактических данных, поэтапный цикл сотрудничества (аудит входных данных → диагностика → полный план редактирования) и сдержанное руководство по постобработке. Охватывает модули Darktable 5.6, тоновые карты (sigmoid/AgX/filmic), маски и анализ фотографического искусства. Нулевые зависимости, чистые ссылки на Markdown, работает офлайн. Профессиональный помощник для лучшего в мире бесплатного RAW-редактора с открытым исходным кодом.

машинный переводПоказать оригиналСкрыть оригинал«Structured Darktable photo critique and non-destructive RAW edit workf…»

Structured Darktable photo critique and non-destructive RAW edit workflow. Evidence-based analysis, phased collaboration loop (input audit → diagnosis → complete edit plan), and restrained post-processing guidance. Covers Darktable 5.6 modules, tone mappers (sigmoid/AgX/filmic), masks, and photographic-art analysis. Zero dependencies, pure Markdown references, works offline. A professional-grade assistant for the world's finest open-source raw developer.

ClawHub Agent Skills автор: cantoneyes v1.0.0 MIT-0 13 файлов тело ≈ 1 426 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Структурированная критика фотографий Darktable и неразрушающий рабочий процесс редактирования RAW.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
72
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 13. 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 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 41
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1426 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
  • +4Нет примеров входа/выхода
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 458 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 10 заголовков
  • +3Пошаговые инструкции: 41 пунктов
  • +4Справочные файлы упоминаются в инструкциях (10 из 10)

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 72.

Внешние проверки

ClawHub: clean
This is a self-contained Darktable photo-analysis skill with limited, disclosed optional browsing for documentation and art-history verification.
LLM: benign (high) · VirusTotal: · 18 июл. 2026 г.