SKILLEMALL.ai

BF smyx-estrus-mating-behavior-detect-analysis

Обнаруживает поведение самки скота во время эструса по непрерывным видео из коровника — включая принятие покрытия, рефлекс стояния, беспокойство, снижение аппетита и изменения вульвы — и выдает результат распознавания эструса с оптимальным окном для спаривания. | Распознает признаки эструса у самок скота (покрытие, рефлекс стояния и т. д.), оптимизируя время для спаривания.

машинный переводПоказать оригиналСкрыть оригинал«Detects estrus behavior in female livestock from continuous barn video…»

Detects estrus behavior in female livestock from continuous barn videos — including mounting acceptance, standing reflex, restlessness, appetite drop and vulva changes — and outputs an estrus recognition result with the optimal mating time window. | 识别母畜发情期行为特征(爬跨、静立反射等),优化配种时机。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.10 MIT-0 30 файлов тело ≈ 1 560 токенов Открыть источникclawhub.ai проанализирован 35 ч назад

Обнаруживает поведение самки скота во время эструса по непрерывным видео из коровника — включая принятие покрытия, рефлекс стояния, беспокойство, снижение…

Как процесс F 31/100 · Не запустится — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторДанные и аналитикаМедиа и видеотип 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
31/100
Не запустится
Шаги вес 15
0
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
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 31/100

  • 0Шаги. Инструкция сплошным текстом, шаги не выделены
  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1560 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 13. 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)
  • +3Нет пошаговых инструкций или чек-листа
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -267 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 279 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 31 заголовков
  • +4Есть примеры (8 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
The skill mostly matches livestock video analysis, but it silently creates and reuses identities, stores auth tokens locally, and sends media and identifiers to remote services with weak user control.
LLM: suspicious (high) · 27 авг. 2026 г.