SKILLEMALL.ai

BF smyx-elderly-tv-sedentary-reminder-analysis

Используя стационарную камеру в гостиной (направленную на диван и телевизионную зону), система анализирует продолжительность непрерывного сидения пожилого человека во время просмотра телевизора, определяя, остается ли тело в сидячем положении и ориентировано ли лицо в сторону телевизионной зоны (просмотр). Когда непрерывное сидение с просмотром телевизора превышает установленный порог (по умолчанию 2 часа) и в течение этого времени человек не вставал для активности, выводится напоминание «о длительном сидении», рекомендуется пожилому человеку встать, походить, сделать упражнения на растяжку.

машинный переводПоказать оригиналСкрыть оригинал«Using a fixed camera in the living room (aimed at the sofa and TV area…»

Using a fixed camera in the living room (aimed at the sofa and TV area), the system analyzes the elderly person's continuous sitting time while watching TV, detecting whether the body remains in a seated posture and the face is oriented toward the TV area (watching). | 通过客厅固定摄像头(对准沙发和电视区域),分析老年人连续观看电视的坐姿时长,检测人体是否持续处于坐姿且面部朝向电视区域(注视电视)。当连续坐姿观看电视超过预设阈值(默认2小时)且期间未起身活动时,输出'久坐活动提醒',建议老年人起身走动、做伸展运动。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.4 MIT-0 30 файлов тело ≈ 1 710 токенов Открыть источникclawhub.ai проанализирован 30 ч назад

Используя стационарную камеру в гостиной (направленную на диван и телевизионную зону), система анализирует продолжительность непрерывного сидения пожилого…

Как процесс F 32/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторРазработкаИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
69
Прогон на моделях
не было
Процессный рейтинг
F
32/100
Не запустится
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
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: 30. 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 32/100

  • 0Результат и критерий готовности. Не сказано, что считать результатом
  • 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
  • 21Шаги. Шагов: 1, расплывчатых формулировок: 1
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1710 токенов

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)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -256 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 395 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 19 заголовков
  • +4Есть примеры (3 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +1Лицензия указана

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

Внешние проверки

ClawHub: suspicious
This skill is a cloud video-analysis tool, but it handles private home video and user/account tokens automatically with too little visible user control, so it should be reviewed before install.
LLM: suspicious (high) · 3 сент. 2026 г.