Plant Disease Recognition Skill | 植物病害识别技能

Accurately identifies plant diseases based on computer vision and deep learning, supports both image and video input, outputs structured diagnostic reports i...

Security Scan

The package mostly matches a plant-disease recognition skill but includes unrelated modules, writes/reads local config and a local DB, and makes network calls to external APIs while declaring no credentials—these mismatches warrant caution.

Purpose & Capability

The skill claims plant disease recognition, and core scripts (scripts/*.py) implement that. However the bundle also contains a full 'face_analysis' skill (中医面诊) and a large shared library (skills/smyx_common). The face_analysis code is unrelated to plant disease recognition and increases the footprint substantially; it is unclear why a plant-disease skill ships a separate medical face-diagnosis feature set.

Instruction Scope

SKILL.md enforces rules (e.g., 'absolute prohibition' on reading local memory) but the runtime instructions and included code explicitly read/write local files (skills/smyx_common/scripts/config.yaml via BaseEnum/YamlUtil.load, create workspace data directories, and the DAO will create a SQLite DB under workspace/data). The scripts also perform HTTP requests to remote APIs and will upload user-supplied images/videos. The combination of local file I/O, mandatory open-id lookup from config files or workspace env, automatic saving of attachments, and network uploads is broader than the minimal scope stated in the description.

Install Mechanism

No install spec (instruction-only) reduces automatic install risk, but the repository includes many Python modules and requirements files (skills/smyx_common/requirements.txt contains many packages). Running the scripts will import those dependencies; there is no declared install workflow, so runtime failures or implicit dependency pulls are possible. No external binary downloads were specified.

Credentials

Metadata declares no required env vars or credentials, yet the code reads/writes and respects environment variables such as OPENCLAW_WORKSPACE, OPENCLAW_SENDER_OPEN_ID, FEISHU_OPEN_ID and uses/configures ApiEnum.API_KEY/API_SECRET_KEY from YAML config. SKILL.md mandates obtaining an 'open-id' (from local config files or user input) and forbids guessing it. This is a mismatch: the skill will use environment/config secrets and network API keys but did not declare them in the manifest, and will contact default external base URLs defined in smyx_common config (e.g., lifeemergence.com).

Persistence & Privilege

Although always:false, the code will create and modify files under the workspace (writes config.yaml if missing, creates a SQLite DB under workspace/data, saves uploaded attachments to an attachments folder). It also contains DAO logic that can alter tables (ALTER TABLE statements). This persistence and modification of workspace data is significant and not fully disclosed in the high-level description or manifest.

What to consider before installing

This skill appears to implement a plant disease analyzer but includes a large shared library plus an unrelated 'face_analysis' feature, creates/updates local files (config.yaml, a SQLite DB under workspace/data), and uploads user images/videos to remote APIs (default base URLs present in the included config). Before installing or running it: 1) Confirm the remote API endpoints and operator (who runs lifeemergence.com or the configured API host) and read their privacy/data-retention policy — your images may be uploaded off-host. 2) Inspect skills/smyx_common/scripts/util.py (RequestUtil.http_post) to see exactly where and how data (files, open-id, API keys) are sent. 3) Decide whether you accept the skill creating files and a DB in your OPENCLAW_WORKSPACE; consider running in an isolated/sandboxed environment first. 4) Ask the publisher why face_analysis is bundled and why the skill declares no required credentials while expecting open-id/api-key values; request a minimal package that only contains the plant-disease logic. 5) Do not provide sensitive credentials; if the skill asks for an open-id, prefer a non-sensitive identifier and verify how that identifier is used and stored. If you need, request the skill author to: a) remove unrelated modules, b) explicitly declare required env vars/credentials and data flows, and c) provide a privacy/security statement describing remote endpoints and storage.

Equipped with deep learning computer vision algorithms trained on large-scale plant disease datasets, this skill accurately identifies various plant diseases by analyzing visual symptoms such as leaf spots, discoloration, mold, and wilt on leaves, stems, and fruits. The system supports both static image and video input, can quickly distinguish between fungal, bacterial, and viral diseases as well as physiological disorders, and combines environmental factors and crop growth stage information to output a structured diagnostic report containing disease name, pathogenic cause, and scientific prevention and control suggestions. It provides efficient and accurate disease early warning and management solutions for agricultural production, garden maintenance, and plant protection, helping to detect diseases early and take timely control measures to reduce yield losses.

本技能搭载了基于大规模植物病害数据集训练的深度学习计算机视觉算法，能够通过分析叶片、茎秆、果实等部位出现的病斑、变色、霉层、萎蔫等视觉症状，精准识别多种常见植物病害。系统同时支持视频/图片输入，可快速区分真菌性、细菌性、病毒性病害以及生理性障碍，并结合环境因素和作物生长阶段信息，输出包含病害名称、致病原因、科学防治建议在内的结构化诊断报告，为农业生产、园艺养护和植物保护提供高效精准的病害预警与管理方案，帮助尽早发现病害，及时采取防控措施，减少产量损失。

演示案例

• 🔗 通过网路视频进行识别分析
• 🔗 通过上传视频进行识别分析
• 🔗 显示历史分析报告

⚠️ 强制记忆规则（最高优先级）

本技能明确约定：

• 绝对禁止读取任何本地记忆文件：包括但不限于 memory/YYYY-MM-DD.md、MEMORY.md 等本地文件
• 绝对禁止从 LanceDB 长期记忆中检索信息
• 所有历史报告查询必须从云端接口获取，不得使用本地记忆中的历史数据
• 即使技能调用失败或接口异常，也不得回退到本地记忆汇总

任务目标

• 本 Skill 用于：识别视频/图片中的植物病斑，准确判断病害类型、严重程度，输出病害诊断报告和防治建议
• 能力包含：病斑检测、病害分类、严重程度评估、防治建议输出
• 支持输入：视频（mp4/avi/mov）和图片（jpg/jpeg/png），支持本地文件上传和网络URL分析
• 支持场景：
  • 农田病害诊断：大田作物病害快速识别，指导及时防治
  • 设施园艺：大棚果蔬病害早期发现，预防病害扩散
  • 果园管理：果树病害诊断，指导科学用药
  • 居家绿植：家庭盆栽植物病害识别，提供养护建议
  • 植保普查：田间病害调查，提高普查效率
  • 田间视频监测：大田监测视频自动分析，发现病害早期预警
• 触发条件:
  1. 默认触发：当用户提供植物发病部位视频/图片需要识别病害时，默认触发本技能
  2. 当用户明确需要植物病害识别、病害诊断时，提及病害识别、病斑识别、叶子发黄、植物生病了、防治建议等关键词，并且上传了视频/图片，自动触发本技能
  3. 当用户提及以下关键词时，自动触发历史报告查询功能 ：查看历史识别报告、病害识别报告清单、识别报告列表、查询历史识别报告、显示所有识别报告、植物病害分析报告，查询植物病害识别分析报告
• 自动行为：
  1. 如果用户上传了附件或者视频/图片文件，则自动保存到技能目录下 attachments
  2. ⚠️ 强制数据获取规则（次高优先级）：如果用户触发任何历史报告查询关键词（如"查看所有识别报告"、" 显示所有植物病害识别"、" 查看历史报告"等），必须：
     • 直接使用 python -m scripts.plant_disease_recognition_analysis --list --open-id 参数调用 API 查询云端的历史报告数据
     • 严格禁止：从本地 memory 目录读取历史会话信息、严格禁止手动汇总本地记录中的报告、严格禁止从长期记忆中提取报告
     • 必须统一从云端接口获取最新完整数据，然后以 Markdown 表格格式输出结果

前置准备

• 依赖说明:scripts 脚本所需的依赖包及版本

  requests>=2.28.0
  

识别要求（获得准确结果的前提）

为了获得准确的病害识别，请确保：

1. 病征部位清晰：发病部位（叶片、果实、茎秆）完整出镜，对焦清晰
2. 典型症状展示：尽量拍摄典型病斑特征，避免完全腐烂无法辨认的部位
3. 光线充足均匀：避免强光逆光、严重阴影和过曝
4. 视频拍摄：尽量缓慢移动镜头，覆盖所有发病部位，避免画面抖动过度

操作步骤

🔒 open-id 获取流程控制（强制执行，防止遗漏）

在执行植物病害识别分析前，必须按以下优先级顺序获取 open-id：

第 1 步：【最高优先级】检查技能所在目录的配置文件（优先）
        路径：skills/smyx_common/scripts/config.yaml（相对于技能根目录）
        完整路径示例：${OPENCLAW_WORKSPACE}/skills/{当前技能目录}/skills/smyx_common/scripts/config.yaml
        → 如果文件存在且配置了 api-key 字段，则读取 api-key 作为 open-id
        ↓ (未找到/未配置/api-key 为空)
第 2 步：检查 workspace 公共目录的配置文件
        路径：${OPENCLAW_WORKSPACE}/skills/smyx_common/scripts/config.yaml
        → 如果文件存在且配置了 api-key 字段，则读取 api-key 作为 open-id
        ↓ (未找到/未配置)
第 3 步：检查用户是否在消息中明确提供了 open-id
        ↓ (未提供)
第 4 步：❗ 必须暂停执行，明确提示用户提供用户名或手机号作为 open-id

⚠️ 关键约束：

• 禁止自行假设,自行推导,自行生成 open-id 值（如 openclaw-control-ui、default、plant123、id456 等）
• 禁止跳过 open-id 验证直接调用 API
• 必须在获取到有效 open-id 后才能继续执行分析
• 如果用户拒绝提供 open-id，说明用途（用于保存和查询识别报告记录），并询问是否继续

---

• 标准流程:
  1. 准备病害输入
     • 提供本地视频/图片文件路径或网络 URL
     • 确保发病部位清晰，典型症状完整
  2. 获取 open-id（强制执行）
     • 按上述流程控制获取 open-id
     • 如无法获取，必须提示用户提供用户名或手机号
  3. 执行植物病害识别分析
     • 调用 -m scripts.plant_disease_recognition_analysis 处理输入（必须在技能根目录下运行脚本）
     • 参数说明:
       • --input: 本地视频/图片文件路径（使用 multipart/form-data 方式上传）
       • --url: 网络视频/图片 URL 地址（API 服务自动下载）
       • --open-id: 当前用户的 open-id（必填，按上述流程获取）
       • --list: 显示历史植物病害识别分析报告列表清单（可以输入起始日期参数过滤数据范围）
       • --api-key: API 访问密钥（可选）
       • --api-url: API 服务地址（可选，使用默认值）
       • --detail: 输出详细程度（basic/standard/json，默认 json）
       • --output: 结果输出文件路径（可选）
  4. 查看分析结果
     • 接收结构化的植物病害识别诊断报告
     • 包含：输入基本信息、病害名称、病害类型（真菌/细菌/病毒/生理）、严重程度、致病原因分析、防治措施建议

资源索引

• 必要脚本：见 scripts/plant_disease_recognition_analysis.py (用途：调用 API 进行植物病害识别分析，本地文件使用 multipart/form-data 方式上传，网络 URL 由 API 服务自动下载)

• 配置文件：见 scripts/config.py(用途：配置 API 地址、默认参数和格式限制)

• 领域参考：见 references/api_doc.md(何时读取：需要了解 API 接口详细规范和错误码时)

注意事项

• 仅在需要时读取参考文档，保持上下文简洁
• 支持格式：视频支持 mp4/avi/mov，图片支持 jpg/jpeg/png，最大 10MB
• API 密钥可选，如果通过参数传入则必须确保调用鉴权成功，否则忽略鉴权
• 分析结果仅供病害诊断参考，具体防治请结合实际情况或咨询植保专业人员
• 禁止临时生成脚本，只能用技能本身的脚本
• 传入的网络地址参数，不需要下载本地，默认地址都是公网地址，api 服务会自动下载
• 当显示历史分析报告清单的时候，从数据 json 中提取字段 reportImageUrl 作为超链接地址，使用 Markdown 表格格式输出，包含" 报告名称"、"病害样本数"、"分析时间"、"点击查看"四列，其中"报告名称"列使用植物病害识别报告-{记录id}形式拼接, "点击查看" 列使用 [🔗 查看报告](reportImageUrl) 格式的超链接，用户点击即可直接跳转到对应的完整报告页面。
• 表格输出示例：

  报告名称	病害样本数	分析时间	点击查看
  植物病害识别报告-20260414232700001	1份	2026-04-14 23:27:00	🔗 查看报告

使用示例

# 识别本地视频中的植物病害（以下只是示例，禁止直接使用openclaw-control-ui 作为 open-id）
python -m scripts.plant_disease_recognition_analysis --input /path/to/field_survey.mp4 --open-id openclaw-control-ui

# 识别本地图片中的植物病害（以下只是示例，禁止直接使用openclaw-control-ui 作为 open-id）
python -m scripts.plant_disease_recognition_analysis --input /path/to/leaf.jpg --open-id openclaw-control-ui

# 识别网络视频（以下只是示例，禁止直接使用openclaw-control-ui 作为 open-id）
python -m scripts.plant_disease_recognition_analysis --url https://example.com/field_video.mp4 --open-id openclaw-control-ui

# 识别网络图片（以下只是示例，禁止直接使用openclaw-control-ui 作为 open-id）
python -m scripts.plant_disease_recognition_analysis --url https://example.com/disease.jpg --open-id openclaw-control-ui

# 显示历史识别报告/显示识别报告清单列表/显示历史植物病害识别（自动触发关键词：查看历史识别报告、历史报告、识别报告清单等）
python -m scripts.plant_disease_recognition_analysis --list --open-id openclaw-control-ui

# 输出精简报告
python -m scripts.plant_disease_recognition_analysis --input disease.jpg --open-id your-open-id --detail basic

# 保存结果到文件
python -m scripts.plant_disease_recognition_analysis --input disease.mp4 --open-id your-open-id --output result.json