SKILLEMALL.ai
GitHub ↗ EN Войти

BD crop-yield-estimation

Оценка урожайности культур на уровне участка или административного района с использованием временных рядов дистанционного зондирования, погодных данных, данных о почве и статистических выборок, с предоставлением доверительных интервалов и объясняющих факторов. Поддерживает случайный лес, градиентный бустинг и ансамблевые модели, с перекрестной проверкой, сгруппированной по годам/регионам.

машинный переводПоказать оригиналСкрыть оригинал«融合遥感时序、天气、土壤和统计样本，估算地块或行政区作物产量， 给出预测区间和可解释因子。支持随机森林、梯度提升和集成模型， 提供按年份/区…»

融合遥感时序、天气、土壤和统计样本，估算地块或行政区作物产量， 给出预测区间和可解释因子。支持随机森林、梯度提升和集成模型， 提供按年份/区域分组的交叉验证。

ClawHub Agent Skills автор: ruiduobao v4.0.0 MIT-0 6 файлов тело ≈ 1 488 токенов Открыть источникclawhub.ai↗ проанализирован 13 ч назад

Оценка урожайности культур на уровне участка или административного района с использованием временных рядов дистанционного зондирования, погодных данных…

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ИнтеграцияЛогистика и складИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
71
Прогон на моделях
не было
Процессный рейтинг
D
43/100
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: 6. 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 "display_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "runtime"

Процессный рейтинг: все десять параметров 43/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (crop-yield-estimation) не совпадает с папкой (geoskill-crop-yield-estimation)
  • 60Инструменты и файлы. Используются инструменты (web, python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 32
  • 100Стоимость исполнения. Тело инструкции 1488 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • 100Отчётность по ходу. Скилл сообщает о ходе работы
  • low Разделов верхнего уровня: 16. Похоже на несколько доменов в одном скилле

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)
  • +3Длина description 79: рекомендуется 120–800 символов
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +2Инструкции на одном языке
  • +4Структура: 22 заголовков
  • +3Пошаговые инструкции: 32 пунктов
  • +4Есть примеры (7 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.

Внешние проверки

ClawHub: suspicious
The skill is not obviously harmful, but it presents itself as a real crop-yield estimator while the implementation generates synthetic agronomic features and can produce authoritative-looking outputs.
LLM: suspicious (high) · 31 июл. 2026 г.