SKILLEMALL.ai

BF smyx-plant-night-respiration-rate-analysis

На заводе по выращиванию растений стационарная тепловизионная камера непрерывно снимает тепловые изображения листьев кроны растений ночью (в период отсутствия света), анализирует тенденции температуры листьев (дыхание выделяет тепло, вызывая температуру листьев немного выше температуры воздуха) и в сочетании с дополнительными данными датчика CO₂ окружающей среды (дыхание выделяет CO₂, повышая концентрацию) модель ИИ оценивает относительное дыхание.

машинный переводПоказать оригиналСкрыть оригинал«In a plant factory, a fixed thermal imaging camera continuously captur…»

In a plant factory, a fixed thermal imaging camera continuously captures thermal images of the plant canopy leaves at night (no-light period), analyzes leaf temperature trends (respiration releases heat, causing leaf temperature to be slightly higher than air temperature), and combined with optional ambient CO₂ sensor data (respiration releases CO₂ raising concentration), an AI model estimates the relative respiration. | 通过植物工厂内的固定热成像摄像头,在夜间(无光照时段)连续采集植物冠层叶片的热图像,分析叶片温度变化趋势(呼吸作用释放热量导致叶片温度略高于气温),结合可选的环境CO₂传感器数据(呼吸作用释放CO₂浓度升高),利用AI模型估算整株或群体的呼吸强度相对值(0-100%)。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.8 MIT-0 30 файлов тело ≈ 1 535 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

На заводе по выращиванию растений стационарная тепловизионная камера непрерывно снимает тепловые изображения листьев кроны растений ночью (в период отсутствия…

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

АнализаторИнфраструктуратип 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
  • 25Шаги. Шагов: 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 1535 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
  • -254 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 560 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 performs the advertised cloud-based plant media analysis, but it also silently creates or reuses identities, queries cloud history, and persists account tokens in a local database with weak upfront disclosure.
LLM: suspicious (high) · 29 авг. 2026 г.