SKILLEMALL.ai

BF smyx-plant-vitality-index-analysis

Используя платформу мониторинга растений, которая периодически (например, ежедневно) собирает изображения растений, данные об окружающей среде и показатели роста (количество новых почек, изменение площади листьев, цвет листьев), модель ИИ объединяет цвет листьев (индекс хлорофилла), морфологию (распространение, размер листьев) и динамику роста (новые почки, скорость роста площади листьев) для вывода общей оценки жизнеспособности от 0 до 100 вместе с трендом (рост / стабильно / снижение).

машинный переводПоказать оригиналСкрыть оригинал«Using a plant-monitoring platform that periodically (e.g., daily) coll…»

Using a plant-monitoring platform that periodically (e.g., daily) collects plant images, environmental data, and growth metrics (new bud count, leaf-area change, leaf color), an AI evaluation model fuses leaf color (chlorophyll index), morphology (spread, leaf size), and growth dynamics (new buds, leaf-area growth rate) to output an overall vitality score from 0-100 along with a trend (rising / stable / declining). | 通过植物监测平台定期(如每天)采集的植物图像、环境数据以及生长指标(如新芽数、叶片面积变化、叶色),利用AI综合评估模型融合叶片颜色(叶绿素指数)、形态(舒展度、叶片大小)、生长动态(新芽萌发数、叶面积增长率),输出0-100的整体活力评分,并给出活力趋势(上升/稳定/下降)。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.10 MIT-0 30 файлов тело ≈ 1 444 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используя платформу мониторинга растений, которая периодически (например, ежедневно) собирает изображения растений, данные об окружающей среде и показатели…

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

АнализаторИнфраструктураДанные и аналитикатип 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: 3, 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 1444 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 plant-analysis skill also performs silent identity setup, remote media analysis, cloud history lookup, and local token persistence.
LLM: suspicious (high) · 25 авг. 2026 г.