📦 Data Anomaly Detector — 建筑数据异常检测器
v2.1.0检测建筑数据中的异常值和离群值，包括不寻常的成本、进度差异和生产力激增。使用统计和机器学习方法进行检测。
1· 3.2k·0 当前·0 累计
安全扫描
OpenClaw
可疑
medium confidence该技能的目的和运行指令在本地异常检测方面基本一致，但包装和部署细节不完整（缺少 Python 依赖项安装指南），并且在安装前应注意声明的文件系统权限。
评估建议
该技能似乎实现了本地异常检测逻辑，不请求凭据，但在安装前应考虑几个实用问题：- 缺少 Python 依赖项：请作者提供 requirements.txt 或安装指南，否则在受控环境中安装所需包。- 文件系统访问：技能声明文件系统权限以读取用户提供的 CSV/Excel/JSON 文件和写入导出文件。只提供您打算分析的文件，并在可信环境或沙盒容器中运行技能。- 无安装或包来源：由于这是指令式的，因此没有包装代码可供检查，超出 SKILL.md 之外。如果您将运行代理建议的 pip 安装，请优先使用官方 PyPI 包并审查将要安装的内容。- 如果需要更强的保证，请验证主页/作者：注册表元数据列出了一个主页（datadrivenconstruction.io），考虑确认文档或源存储库以进行可复制的安装。如果您需要更高的保证，请向发布者请求依赖项清单和目标虚拟环境或容器的安装脚本，并确认技能不会尝试将数据发送到外部服务。...详细分析 ▾
ℹ 用途与能力
名称/描述与指令和嵌入的 Python 代码（建筑数据的统计和机器学习方法）匹配。然而，SKILL.md 使用 pandas、numpy、scipy 等，而注册表仅声明 python3 作为所需二进制文件 — 技能省略了所需的 Python 包依赖项，这是一致性的问题。
✓ 指令范围
运行时指令专注于处理用户提供的建筑数据（CSV/Excel/JSON）并呈现结果。SKILL.md 不指示代理读取无关的系统文件、调用未知的外部端点或泄露数据 — 而是指示使用用户提供的输入。
ℹ 安装机制
这是一个仅有指令的技能，没有安装规范（安装风险最低）。但是，由于嵌入的代码需要 Python 包，缺乏安装步骤或依赖项清单（requirements.txt、pipenv 或类似）是一个包装缺口：代理或用户可能会尝试在运行时使用 pip 安装依赖项，否则技能可能会失败。
✓ 凭证需求
技能不请求环境变量、外部凭据或配置路径。这与声明的本地数据分析目的相称。
ℹ 持久化与权限
claw.json 指示技能请求文件系统权限（用于读取用户文件和导出报告，这是合理的）。使用 always:false 和正常的自动调用。用户应注意，文件系统访问允许读取用户提供的路径 — 请验证您仅提供技能应访问的数据集，并在需要时优先使用沙盒执行。
安全有层次，运行前请审查代码。
运行时依赖
🖥️ OSmacOS · Linux · Windows
版本
latestv2.1.02026/2/15
● 无害
安装命令
点击复制官方npx clawhub@latest install data-anomaly-detector
镜像加速npx clawhub@latest install data-anomaly-detector --registry https://cn.longxiaskill.com
技能文档
概述
检测建筑数据中的异常模式、离群值和异常值。识别成本超支、进度延误、生产力问题和数据质量问题，以防止项目受影响。... （中间内容保持原 Python 代码和 Markdown 格式，不翻译）
依赖项
pip install pandas numpy scipy
资源
- 统计方法: IQR、Z-Score、Modified Z-Score
- 建筑基准: RSMeans、ENR 指数