AD geomaster
Комплексный навык геопространственных наук, охватывающий дистанционное зондирование, ГИС, пространственный анализ, машинное обучение для наблюдения за Землей и более 30 научных областей. Поддерживает обработку спутниковых изображений (Sentinel, Landsat, MODIS, SAR, гиперспектральные), операции с векторными и растровыми данными, пространственную статистику, обработку облаков точек, сетевой анализ, облачные рабочие процессы (STAC, COG, Planetary Computer) и 8 языков программирования (Python, R, Julia, JavaScript, C++, Java, Go, Rust) с более чем 500 примерами кода. Используйте для рабочих процессов дистанционного зондирования, анализа ГИС, пространственного машинного обучения, обработки данных наблюдения за Землей, анализа рельефа, гидрологического моделирования, морского пространственного анализа, атмосферных наук и любых задач геопространственных вычислений.
машинный переводПоказать оригиналСкрыть оригинал«Comprehensive geospatial science skill covering remote sensing, GIS, s…»
Comprehensive geospatial science skill covering remote sensing, GIS, spatial analysis, machine learning for earth observation, and 30+ scientific domains. Supports satellite imagery processing (Sentinel, Landsat, MODIS, SAR, hyperspectral), vector and raster data operations, spatial statistics, point cloud processing, network analysis, cloud-native workflows (STAC, COG, Planetary Computer), and 8 programming languages (Python, R, Julia, JavaScript, C++, Java, Go, Rust) with 500+ code examples. Use for remote sensing workflows, GIS analysis, spatial ML, Earth observation data processing, terrain analysis, hydrological modeling, marine spatial analysis, atmospheric science, and any geospatial computation task.
Комплексный навык геопространственных наук, охватывающий дистанционное зондирование, ГИС, пространственный анализ, машинное обучение для наблюдения за Землей…
Как процесс D 49/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, ошибки и развилки
Как улучшить
- 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: 16. 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 49/100
- 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
- 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 100Шаги. Шагов: 29
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2990 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- low Разделов верхнего уровня: 10. 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +3Длина description 717 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 23 заголовков
- +3Пошаговые инструкции: 29 пунктов
- +4Есть примеры (13 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (13 из 14)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.