SKILLEMALL.ai

AC cosmetic-detect

Анализирует фотографии лица/тела для выявления признаков косметической хирургии или эстетических процедур. Используйте, когда пользователь загружает фотографию и просит определить косметические вмешательства, обнаружить пластическую хирургию, оценить естественность лица, проверить, делал ли кто-то пластические операции, проанализировать фотографии до/после или оценить признаки эстетических процедур. Также срабатывает, когда пользователи спрашивают о конкретных процедурах, видимых на фотографиях (филлеры, ботокс, ринопластика, контуринг челюсти и т. д.), сравнивают фотографии на предмет хирургических изменений или хотят получить «оценку естественности» лица. Работает с отдельными изображениями, несколькими сравнительными изображениями и кадрами из видео. Триггерные фразы:整容检测、看看有没有整、自然度评分、鉴定一下、有没有动过.

машинный переводПоказать оригиналСкрыть оригинал«Analyze facial/body photos to detect signs of cosmetic surgery or aest…»

Analyze facial/body photos to detect signs of cosmetic surgery or aesthetic procedures. Use when the user uploads a photo and asks to identify cosmetic work, detect plastic surgery, assess facial naturalness, check if someone has had work done, analyze before/after photos, or evaluate aesthetic procedure signs. Also trigger when users ask about specific procedures visible in photos (fillers, Botox, rhinoplasty, jaw contouring, etc.), compare photos for surgical changes, or want a "naturalness score" for a face. Works with single images, multiple comparison images, and video screenshots. 触发词:整容检测、看看有没有整、自然度评分、鉴定一下、有没有动过。

ClawHub Agent Skills автор: Rainman v1.0.0 MIT-0 3 файла тело ≈ 1 052 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Анализирует фотографии лица/тела для выявления признаков косметической хирургии или эстетических процедур.

Как процесс C 59/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки

АнализаторИнфраструктураМедиа и видеотип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
59/100
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

    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: 3. 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 59/100

    • 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
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 25
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1052 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 627 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 12 заголовков
    • +3Пошаговые инструкции: 25 пунктов
    • +4Есть примеры (1 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (1 из 1)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: suspicious
    This skill does not run code, but it is designed to make sensitive and potentially stigmatizing judgments about people from photos.
    LLM: suspicious (high) · VirusTotal: · 29 мая 2026 г.