SKILLEMALL.ai
GitHub ↗ EN Войти

AC harmful-algal-bloom-monitor

Мониторинг вредоносного цветения водорослей — мониторинг площади, продолжительности и уровня риска цветения водорослей в озерах и морях с помощью спутниковых данных о цвете/отражательной способности воды. Поддерживает мультииндексы NDCI/FLH/BGI/ARI, включая контроль качества облаков/бликов/мутности/мелководья, отслеживание событий, статистику площади и отчеты о предупреждении.

машинный переводПоказать оригиналСкрыть оригинал«有害藻华监测 — 利用海色/水色遥感反射率监测湖海藻华范围、持续时间和风险等级。 支持 NDCI/FLH/BGI/ARI 多指数，含云/耀斑…»

有害藻华监测 — 利用海色/水色遥感反射率监测湖海藻华范围、持续时间和风险等级。 支持 NDCI/FLH/BGI/ARI 多指数，含云/耀斑/浑浊/浅水质量控制、事件追踪、面积统计与预警报告。

ClawHub Agent Skills автор: ruiduobao v2.0.0 MIT-0 6 файлов тело ≈ 885 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Мониторинг вредоносного цветения водорослей — мониторинг площади, продолжительности и уровня риска цветения водорослей в озерах и морях с помощью спутниковых…

Как процесс C 63/100 · Есть пробелы — слабые места: входы и предусловия, ошибки и развилки, согласованность

ИнтеграцияРазработкатип 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
63/100
Есть пробелы
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
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")

Процессный рейтинг: все десять параметров 63/100

  • 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
  • 40Согласованность. Имя во frontmatter (harmful-algal-bloom-monitor) не совпадает с папкой (geoskill-harmful-algal-bloom-monitor)
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 22
  • 100Стоимость исполнения. Тело инструкции 885 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)
  • +3Длина description 96: рекомендуется 120–800 символов
  • +2Инструкции на одном языке
  • +4Структура: 14 заголовков
  • +3Пошаговые инструкции: 22 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (2 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
The skill is not clearly malicious, but it can generate operational-looking algal bloom reports from synthetic data even when a user expects local or downloaded imagery to be analyzed.
LLM: suspicious (high) · 31 июл. 2026 г.