SKILLEMALL.ai

BF smyx-teen-screen-addiction-detection-analysis

Используя стационарные камеры дома, в учебных комнатах или школах, система анализирует осанку подростков при использовании телефонов или игровых устройств: угол наклона головы (вниз > 45°) и положение рук при удержании устройства (захват рукой + согнутая рука). Она подсчитывает ежедневное суммарное время, проведенное за просмотром экрана. Когда непрерывное время смотрения вниз превышает установленный порог (например, более 30 минут за раз или более 2 часов в день), выводится напоминание «зависимость от телефона/игры», рекомендуется вмешательство родителей и формирование привычек здорового использования глаз.

машинный переводПоказать оригиналСкрыть оригинал«Using fixed cameras at home, study rooms or schools, the system analyz…»

Using fixed cameras at home, study rooms or schools, the system analyzes adolescents' posture while using phones or gaming devices: head pitch angle (downward > 45°) and hand-holding-device posture (hand grasp + bent arm). It counts daily cumulative screen-looking time. | 通过家庭、自习室或学校固定摄像头,分析青少年使用手机或游戏设备的姿势,检测头部低垂角度(俯仰角大于45°)以及手持设备的姿态(手部抓握且手臂弯曲),统计每日累计低头看屏幕的时长。当连续低头时长超过设定阈值(如单次超过30分钟,或日累计超过2小时)时,输出'沉迷手机/游戏'提醒,建议家长干预并引导健康用眼习惯。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.4 MIT-0 30 файлов тело ≈ 1 810 токенов Открыть источникclawhub.ai проанализирован 25 мин назад

Используя стационарные камеры дома, в учебных комнатах или школах, система анализирует осанку подростков при использовании телефонов или игровых устройств…

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

АнализаторРазработкаЛичная продуктивностьтип 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 1810 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
  • -258 эмодзи в инструкциях: шум для модели
  • -32 из 4 скриптов не упомянуты в SKILL.md
  • +2Инструкции на одном языке
  • +3Длина description 428 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
The skill is a cloud video-analysis tool for minors, but it uses hidden identity setup, local token storage, history access, and insecure default HTTP endpoints.
LLM: suspicious (high) · 13 сент. 2026 г.