SKILLEMALL.ai

BF plant-nutrition-diagnosis-analysis

Диагностирует дефицит или избыток питательных веществ у растений на основе компьютерного зрения и физиологии растений, выдает целевые рекомендации по удобрению для точного управления питанием. | Навык диагностики питания растений, основанный на компьютерном зрении и физиологии растений, диагностирует дефицит или избыток азота, фосфора, калия и микроэлементов по признакам листьев, выдает точные рекомендации по удобрению.

машинный переводПоказать оригиналСкрыть оригинал«Diagnoses plant nutrient deficiency or excess based on computer vision…»

Diagnoses plant nutrient deficiency or excess based on computer vision and plant physiology, outputs targeted fertilization suggestions for precision nutrient management. | 植物营养诊断技能,基于计算机视觉与植物生理学,通过叶片特征诊断氮磷钾及微量元素缺乏或过剩,输出精准施肥建议

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.11 MIT-0 29 файлов тело ≈ 1 427 токенов Открыть источникclawhub.ai проанализирован 4 дн назад

Диагностирует дефицит или избыток питательных веществ у растений на основе компьютерного зрения и физиологии растений, выдает целевые рекомендации по…

Как процесс F 19/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: references/api_doc.md

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
84/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
59
Прогон на моделях
не было
Процессный рейтинг
F
19/100
Не запустится
Скилл ссылается на файлы, которых нет в архиве: references/api_doc.md
Инструменты и файлы вес 18
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.
  2. В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
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: 29. 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")
  • предупреждение missing-ref ссылка на отсутствующий файл: references/api_doc.md

Процессный рейтинг: все десять параметров 19/100

Не запустится. Скилл ссылается на файлы, которых нет в архиве: references/api_doc.md
  • 0Инструменты и файлы. Не хватает 1 файла(ов): references/api_doc.md
  • 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
  • 40Согласованность. Имя во frontmatter (plant-nutrition-diagnosis-analysis) не совпадает с папкой (smyx-plant-nutrition-diagnosis-analysis)
  • 100Стоимость исполнения. Тело инструкции 1427 токенов
  • 100Повторный запуск. Изменяющих операций нет
  • low Разделов верхнего уровня: 10. 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
  • -255 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 226 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 20 заголовков
  • +4Есть примеры (3 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 59.

Внешние проверки

ClawHub: suspicious
This skill can analyze plant images, but it also silently creates or reuses cloud identities, uploads user media, queries cloud history, and stores tokens locally with incomplete disclosure.
LLM: suspicious (high) · 27 авг. 2026 г.