SKILLEMALL.ai
GitHub ↗ EN Войти

AC geoskill-sar-speckle-filtering

Выполнение фильтрации спекл-шума (Lee/Frost/многопроходная) для SAR-изображений, подавление когерентного спекл-шума с сохранением краев. Lee/Frost/multilook speckle filtering for SAR imagery. Входные данные: одно- или многоканальные SAR-изображения интенсивности в формате GeoTIFF (или с помощью --synthetic для создания сцен с мультипликативным спекл-шумом), выходные данные: отфильтрованный GeoTIFF + JSON с параметрами.

машинный переводПоказать оригиналСкрыть оригинал«对 SAR 影像执行 Lee/Frost/多视 斑点噪声滤波，抑制相干斑噪声并保持边缘。Lee/Frost/multilook speckl…»

对 SAR 影像执行 Lee/Frost/多视 斑点噪声滤波，抑制相干斑噪声并保持边缘。Lee/Frost/multilook speckle filtering for SAR imagery. 输入单波段或多波段 SAR 强度 GeoTIFF（或用 --synthetic 生成含乘性斑斑噪声的场景），输出滤波后 GeoTIFF + 参数 JSON。

ClawHub Agent Skills автор: ruiduobao v1.0.0 MIT-0 25 файлов тело ≈ 517 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Выполнение фильтрации спекл-шума (Lee/Frost/многопроходная) для SAR-изображений, подавление когерентного спекл-шума с сохранением краев.

Как процесс C 62/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки

ПроцедураРазработкатип 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
62/100
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: 20. 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 62/100

  • 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
  • 20Когда включается. Не сказано, при каком запросе скилл включается
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 4
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 517 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 12. 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 177 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +3Пошаговые инструкции: 4 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (6 блоков кода)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
The main filter appears local, but the package bundles undisclosed credential, geocoding, download, and caching helpers that do not fit an offline SAR filtering skill.
LLM: suspicious (high) · 4 авг. 2026 г.