SKILLEMALL.ai
GitHub ↗ EN Войти

AC forest-carbon-estimate

Оценка запасов лесного углерода по данным дистанционного зондирования с использованием BEF, аллометрических уравнений или методов IPCC уровня 1/2. Включает анализ неопределенности методом Монте-Карло. Поддерживает растровые (GeoTIFF) и табличные (CSV) входные данные.

машинный переводПоказать оригиналСкрыть оригинал«Estimate forest carbon stock from remote sensing data using BEF, allom…»

Estimate forest carbon stock from remote sensing data using BEF, allometric equations, or IPCC Tier 1/2 methods. Includes Monte Carlo uncertainty analysis. Supports raster (GeoTIFF) and tabular (CSV) inputs.

ClawHub Agent Skills автор: ruiduobao v4.0.0 MIT-0 6 файлов тело ≈ 2 406 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Оценка запасов лесного углерода по данным дистанционного зондирования с использованием BEF, аллометрических уравнений или методов IPCC уровня 1/2.

Как процесс C 55/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

ПроцедураДанные и аналитикатип 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
A
90/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
76
Прогон на моделях
не было
Процессный рейтинг
C
55/100
Есть пробелы
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
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: 0. 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 55/100

  • 0Входы и предусловия. Не сказано, что нужно иметь на входе
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 40Согласованность. Имя во frontmatter (forest-carbon-estimate) не совпадает с папкой (geoskill-forest-carbon-estimate)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Шаги. Шагов: 20
  • 100Стоимость исполнения. Тело инструкции 2406 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 28. 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)
  • +2Инструкции на одном языке
  • +3Длина description 207 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 33 заголовков
  • +3Пошаговые инструкции: 20 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (11 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 76.

Внешние проверки

ClawHub: suspicious
The skill is mostly a forest-carbon estimator, but it contains under-disclosed network data retrieval and a random synthetic-data fallback despite claiming local-only processing.
LLM: suspicious (high) · 1 авг. 2026 г.