AC rice-phenotype-prediction
Прогнозируйте агрономические признаки риса (урожайность, высота растения, дата цветения, размер зерна и т. д.) на основе генотипа и данных об окружающей среде с использованием предварительно обученных моделей глубокого обучения MMoE. Используйте, когда пользователь спрашивает о прогнозировании фенотипа риса, оценке признаков сельскохозяйственных культур, взаимодействии генотипа и окружающей среды или влиянии стрессовых факторов окружающей среды на рис. Поддерживает китайский и английский языки. Ключевые слова: 水稻, 表型, 预测, 株高, 产量, 粒长, 抽穗期, 千粒重, 结实率, rice, phenotype, yield, trait, stress.
машинный переводПоказать оригиналСкрыть оригинал«Predict rice agronomic traits (yield, plant height, heading date, grai…»
Predict rice agronomic traits (yield, plant height, heading date, grain size, etc.) from genotype and environmental data using pre-trained MMoE deep learning models. Use when the user asks about rice phenotype prediction, crop trait estimation, genotype-environment interaction, or environmental stress effects on rice. Supports Chinese and English. Trigger terms: 水稻, 表型, 预测, 株高, 产量, 粒长, 抽穗期, 千粒重, 结实率, rice, phenotype, yield, trait, stress.
Прогнозируйте агрономические признаки риса (урожайность, высота растения, дата цветения, размер зерна и т.
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, согласованность
Как улучшить
- 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: 14. 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 53/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 40Согласованность. Имя во frontmatter (rice-phenotype-prediction) не совпадает с папкой (gain)
- 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
- 60Ошибки и развилки. Развилок: 2
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 25
- 100Стоимость исполнения. Тело инструкции 1787 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 442 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 25 заголовков
- +3Пошаговые инструкции: 25 пунктов
- +4Есть примеры (11 блоков кода)
- +3Все 7 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.