SKILLEMALL.ai

AC aliyun-image

Генерация, редактирование и перевод изображений от Alibaba Cloud Baishan. Генерация изображений по тексту: создание изображений на основе текста, поддержка сложного рендеринга текста. Редактирование изображений: редактирование одиночных изображений, слияние нескольких изображений, перенос стиля, добавление/удаление объектов. Перевод изображений: перевод текста на изображениях с сохранением исходной верстки, поддержка 11 исходных и 14 целевых языков. Ключевые слова: генерация изображений, ИИ-рисование, генерация изображений по тексту, редактирование изображений, ретушь, смена фона, перенос стиля, слияние нескольких изображений, перевод изображений, перевод картинок. Модели: qwen-image-plus (по умолчанию), qwen-image-max, qwen-image-edit-plus (по умолчанию), qwen-image-edit-max, qwen-mt-image.

машинный переводПоказать оригиналСкрыть оригинал«阿里云百炼图像生成、编辑与翻译。文生图:根据文本生成图像,支持复杂文字渲染。图像编辑:单图编辑、多图融合、风格迁移、物体增删。图像翻译:翻译…»

阿里云百炼图像生成、编辑与翻译。文生图:根据文本生成图像,支持复杂文字渲染。图像编辑:单图编辑、多图融合、风格迁移、物体增删。图像翻译:翻译图像中的文字,保留原始排版,支持11种源语言和14种目标语言。触发词:生成图片、AI作画、文生图、图像编辑、修图、换背景、风格迁移、多图融合、图像翻译、图片翻译。模型:qwen-image-plus(默认)、qwen-image-max、qwen-image-edit-plus(默认)、qwen-image-edit-max、qwen-mt-image。

modbender/skill-library-mcp Agent Skills автор: modbender MIT 7 файлов тело ≈ 953 токенов Открыть источникgithub.com проанализирован 2 дн назад

Генерация, редактирование и перевод изображений от Alibaba Cloud Baishan.

Как процесс C 50/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ГенераторРазработкаИИ и агентыТексты и документытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
C
50/100
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: 7. 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 50/100

  • 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
  • 75Шаги. Шагов: 3
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 953 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
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 248 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 12 заголовков
  • +3Пошаговые инструкции: 3 пунктов
  • +4Есть примеры (6 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (3 из 3)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.