SKILLEMALL.ai
GitHub ↗ EN Войти

BC water-body-extraction

Автоматическое извлечение водоемов из многоспектральных спутниковых снимков с использованием индексов NDWI и MNDWI. Поддерживает Landsat 8/9 и Sentinel-2, оптимизацию порогов Otsu и векторный вывод.

машинный переводПоказать оригиналСкрыть оригинал«Automatic water body extraction from multi-band satellite imagery usin…»

Automatic water body extraction from multi-band satellite imagery using description: 'Automatic water body extraction from multi-band satellite imagery using NDWI and MNDWI indices. Supports Landsat 8/9 and Sentinel-2, Otsu threshold optimization, and vector output.

ClawHub Agent Skills автор: ruiduobao v1.0.0 MIT-0 6 файлов тело ≈ 2 786 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Автоматическое извлечение водоемов из многоспектральных спутниковых снимков с использованием индексов NDWI и MNDWI.

Как процесс C 52/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, согласованность

ПроцедураGitHubИнфраструктураИсследованияРазработкатип 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%
69
Прогон на моделях
не было
Процессный рейтинг
C
52/100
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: 6. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Unexpected scalar at node end at line 2, column 101: … satellite imagery using description: 'Automatic water body extraction from mu… ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении
  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 52/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
  • 40Согласованность. Имя во frontmatter (water-body-extraction) не совпадает с папкой (geoskill-water-body-extraction)
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, web, python), но во frontmatter они не объявлены
  • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
  • 100Шаги. Шагов: 72
  • 100Стоимость исполнения. Тело инструкции 2786 токенов
  • low Разделов верхнего уровня: 36. 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 267 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 48 заголовков
  • +3Пошаговые инструкции: 72 пунктов
  • +3Формат ответа описан явно
  • +4Есть примеры (21 блоков кода)
  • +3Все 1 скриптов описаны в инструкциях
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 69.

Внешние проверки

ClawHub: suspicious
This skill mostly matches its water-extraction purpose, but it repeatedly promises local-only processing while its place-name workflow can contact external services.
LLM: suspicious (high) · 1 авг. 2026 г.