SKILLEMALL.ai
GitHub ↗ EN Войти

BC ui-animation

Реализуйте, проверяйте и измеряйте UI-анимацию. Воссоздавайте easing, пружины и жесты по записи с помощью встроенных инструментов для извлечения кадров, отслеживания и подгонки кривых, если они доступны.

машинный переводПоказать оригиналСкрыть оригинал«Implement, review, and measure UI motion. Reconstruct easing, springs…»

Implement, review, and measure UI motion. Reconstruct easing, springs and gestures from a recording using bundled frame extraction, tracking and curve-fitting tools when available.

Разбор skillemall

Скилл обещает восстанавливать параметры UI-анимаций из видео: вытаскивать кадры, отслеживать движение, подгонять кривые ослабления и пружины. На бумаге звучит полезно для дизайнеров, которые хотят понять, как именно анимирует конкурент.

В папке 24 файла, три скрипта на Python. Проверки не нашли критических ошибок, оценка качества 79 из 100. Но в песочнице все три скрипта отказались запускаться: extract_frames.py требует аргументы, fit_curves.py и track_motion.py просят numpy, scipy и opencv-python. Это не баги — просто зависимости не установлены и нет инструкции по их подключению. Скилл работает как справочник с кодом, но как готовый инструмент — нет.

nexu-io/open-design Agent Skills автор: nexu-io Apache-2.0 24 файла · 3 скрипта тело ≈ 5 923 токенов Открыть источникgithub.com↗ проанализирован 5 дн назад

Реализуйте, проверяйте и измеряйте UI-анимацию.

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

АнализаторРазработкаДанные и аналитикаДизайнтип и темы размечены автоматически по тексту скилла
Запускается в: 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) OpenClaw Goose OpenCode
JSON
Технический рейтинг
B
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
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
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: 24. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение body-long тело SKILL.md ≈ 5923 токенов (рекомендуется < 5000); вынесите детали в references/
  • заметка frontmatter-key неизвестное поле фронтматтера "en_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "zh_name"
  • заметка frontmatter-key неизвестное поле фронтматтера "zh_description"
  • заметка frontmatter-key неизвестное поле фронтматтера "triggers"
  • заметка frontmatter-key неизвестное поле фронтматтера "od"

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
  • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
  • 30Повторный запуск. Изменяющих операций: 11, без проверки текущего состояния
  • 50Когда включается. Не сказано, при каком запросе скилл включается
  • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
  • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
  • 70Стоимость исполнения. Тело инструкции 5923 токенов
  • 100Шаги. Шагов: 76
  • 100Согласованность. Имя и обязательные поля на месте
  • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
  • low Разделов верхнего уровня: 16. Похоже на несколько доменов в одном скилле
  • low Ответ описан самодельной разметкой (5 тегов): типизированный вызов надёжнее

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
  • +2Инструкции на одном языке
  • +3Длина description 180 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 17 заголовков
  • +3Пошаговые инструкции: 76 пунктов
  • +4Есть примеры (2 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (18 из 18)
  • +3Все 3 скриптов описаны в инструкциях
  • +1Лицензия указана

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

В песочнице Скрипты не запустились

Скрипты скилла запущены в одноразовой машине: без сети, с подложными ключами в домашнем каталоге, под наблюдением. Мы записали, что они делали. Попытка выйти в сеть или прочитать чужие секреты ограничивает техническую оценку буквой C; тихий запуск баллов не добавляет.

Запущено 3 скрипта; каждому дали двадцать секунд, поддельный домашний каталог с ключами и сеть, в которой ничего нет.

Ни один не дошёл до работы — им не хватило зависимостей, аргументов или файлов. Это не отзыв о поведении: наблюдать было не за чем.

scripts/extract_frames.pyне запустился: extract_frames.py: error: the following arguments are required: video, outdir
scripts/fit_curves.pyне запустился: missing deps. Install with: pip install numpy scipy
scripts/track_motion.pyне запустился: missing deps. Install with: pip install opencv-python numpy

15 окт. 2026 г.