SKILLEMALL.ai
GitHub ↗ EN Войти

AB river-morphology-change

Извлечение береговых линий, осевых линий и ширин русла из многовременных масок водных объектов. Количественная оценка миграции береговой линии, миграции русла, зон изменений и зон миграции. Используйте при анализе изменений русла реки, выявлении областей эрозии/отложения или создании отчетов по морфологии реки.

машинный переводПоказать оригиналСкрыть оригинал«Extract shorelines, centerlines and channel widths from multi-temporal…»

Extract shorelines, centerlines and channel widths from multi-temporal water body masks. Quantify shoreline migration, channel migration, change hotspots and migration zones. Use when analyzing river channel changes, identifying erosion/deposition areas, or generating river morphology reports.

ClawHub Agent Skills автор: ruiduobao v2.0.0 MIT-0 6 файлов тело ≈ 1 315 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Извлечение береговых линий, осевых линий и ширин русла из многовременных масок водных объектов.

Как процесс B 68/100 · Почти готов — слабые места: входы и предусловия, согласованность, отчётность по ходу

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
96/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
91
Прогон на моделях
не было
Процессный рейтинг
B
68/100
Почти готов
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
Согласованность вес 8
40
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: 6. 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 68/100

    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 40Согласованность. Имя во frontmatter (river-morphology-change) не совпадает с папкой (geoskill-river-morphology-change)
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 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: 27
    • 100Стоимость исполнения. Тело инструкции 1315 токенов
    • 100Повторный запуск. Изменяющих операций нет
    • low Разделов верхнего уровня: 11. 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 294 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 17 заголовков
    • +3Пошаговые инструкции: 27 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: 91.

    Внешние проверки

    ClawHub: suspicious
    This skill is not evidently malicious, but it needs Review because it can make network downloads and persistent cache writes that are only partially disclosed, and a no-input run can produce demo analysis outputs.
    LLM: suspicious (high) · 31 июл. 2026 г.