SKILLEMALL.ai
GitHub ↗ EN Войти

BC vision-identify

Интеллектуальный агент распознавания всего — распознает все видимые объекты по изображению: предметы, растения, животных, людей, товары, текст и т. д. Активируется, когда пользователь загружает изображение и спрашивает "Что это?", "Помоги распознать", "Распознать по фото", "Поиск по картинке", "Распознавание изображений", "Что на этой картинке?". Основные особенности: не только распознает предметы, но и анализирует сцену, угадывает намерение, предлагает точные решения для покупки, предотвращая неправильные покупки.

машинный переводПоказать оригиналСкрыть оригинал«万物识别智能体 - 通过图片识别物品、动植物、人物、商品、文字等一切可见事物。 当用户上传图片并询问"这是什么"、"帮我识别"、"拍照识物"…»

万物识别智能体 - 通过图片识别物品、动植物、人物、商品、文字等一切可见事物。 当用户上传图片并询问"这是什么"、"帮我识别"、"拍照识物"、"识图"、"图片识别"、"这张图里有什么"时触发。 核心特点：不仅识别物品，更分析场景、推断意图、给出精准选购方案，防止买错。

ClawHub Agent Skills автор: ZhangYangGZ11 v2.0.0 MIT-0 4 файла тело ≈ 540 токенов Открыть источникclawhub.ai↗ проанализирован 3 дн назад

Интеллектуальный агент распознавания всего — распознает все видимые объекты по изображению: предметы, растения, животных, людей, товары, текст и т.

Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
B
86/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
66
Прогон на моделях
не было
Процессный рейтинг
C
53/100
Есть пробелы
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: 4. 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")
  • заметка frontmatter-key неизвестное поле фронтматтера "homepage"
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"
  • заметка frontmatter-key неизвестное поле фронтматтера "icon"

Процессный рейтинг: все десять параметров 53/100

  • 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
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 8
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 540 токенов
  • 100Повторный запуск. Изменяющих операций нет

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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
  • +2Инструкции на одном языке
  • +3Длина description 134 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 13 заголовков
  • +3Пошаговые инструкции: 8 пунктов
  • +4Есть примеры (5 блоков кода)
  • +1Лицензия указана

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 66.

Внешние проверки

ClawHub: clean
This is a markdown-only image identification skill whose behavior matches its stated purpose, with privacy and broad-trigger caveats for users to understand.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.