SKILLEMALL.ai

AD smyx-uv-safety-monitor-analysis

Автоматический мониторинг безопасности УФ-дезинфекции для домашних животных с помощью ИИ. Анализ в реальном времени с помощью камеры определяет, входит ли домашнее животное в активную зону УФ-С дезинфекции и включена ли УФ-лампа (через распознавание сине-фиолетового свечения или интеграцию с API умного дома). Когда оба условия выполнены, он автоматически запускает оповещение о высоком риске, рекомендует выключить УФ-лампу и регистрирует событие, чтобы предотвратить ожоги роговицы или повреждение кожи. Сценарии: умные дома, домашние хозяйства с животными, приюты для животных.

машинный переводПоказать оригиналСкрыть оригинал«AI-powered UV disinfection safety monitor for pets. Real-time camera a…»

AI-powered UV disinfection safety monitor for pets. Real-time camera analysis detects whether a pet enters an active UV-C disinfection zone and whether the UV lamp is on (via blue-purple glow recognition or smart-home API linkage). When both conditions are met, it auto-triggers a high-risk alert, recommends shutting off the UV lamp, and logs the event to prevent corneal burns or skin damage. Scenarios: smart homes, pet households, pet boarding facilities. | 通过智能家居摄像头实时识别宠物是否进入正在进行紫外线消毒的区域,自动关闭UV灯并推送提醒,防止宠物因误入消毒区而受到紫外线伤害。结合目标检测(宠物识别)与UV灯状态感知(可通过画面蓝紫色光晕/光谱特征或智能家居API联动),实现主动式安全防护。应用场景:智能家居、宠物家庭、宠物寄养场所。

ClawHub Agent Skills автор: smyx-sunjinhui v1.0.9 MIT-0 30 файлов тело ≈ 1 533 токенов Открыть источникclawhub.ai проанализирован 4 дн назад

Автоматический мониторинг безопасности УФ-дезинфекции для домашних животных с помощью ИИ.

Как процесс D 35/100 · Процесс не доведён — слабые места: шаги, результат и критерий готовности, когда включается

АнализаторИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
81
Прогон на моделях
не было
Процессный рейтинг
D
35/100
Процесс не доведён
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

    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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 35/100

    • 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
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1533 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
    • -275 эмодзи в инструкциях: шум для модели
    • -32 из 4 скриптов не упомянуты в SKILL.md
    • +2Инструкции на одном языке
    • +3Длина description 606 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 23 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: 81.

    Внешние проверки

    ClawHub: suspicious
    This skill needs manual review because it uploads pet-safety video to remote services while silently creating and storing user identity tokens, and it ships with insecure development HTTP endpoints.
    LLM: suspicious (high) · 8 сент. 2026 г.