Synthèse automatique
Cette compétence délègue l'analyse d'images à un sous-agent GLM-4.6v pour évaluer la qualité visuelle de captures d'écran et de sprites de jeux, selon le style Harvest Moon SNES.
Points forts
- Prompts spécialisés pour l'analyse de pixel art et de cohérence stylistique
- Traitement par lots via des sous-agents parallèles pour économiser des tokens
- Retours concrets et exploitables sur la transparence, les proportions et les couleurs
- Intégration directe avec Claude pour les petites tâches sans overhead
Limites
- Limité aux analyses de jeux et au style visuel spécifique
- Nécessite l'accès au sous-agent GLM-4.6v via MCP
- Pas adapté à l'analyse d'images générales ou de photographies
Utilisez cette compétence pour valider des assets de jeu, des sprites ou des captures d'écran par rapport à des critères de qualité pixel art précis.
Ne l'utilisez pas pour des images non liées au jeu vidéo ou lorsque l'analyse peut être effectuée directement par Claude sans délégation.
Analyse de sécurité
SûrThe skill provides instructions for image quality analysis using an MCP tool and example shell commands. None of the commands are destructive or exfiltrating; they are limited to benign image generation, processing, and version control status checks.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Analyze this game screenshot for visual quality. Check for: blocky backgrounds, tiling seams, sprite transparency issues, pixel art scaling problems, overall Harvest Moon SNES readability. Provide specific, actionable feedback.Analyze this pixel art sprite for Harvest Moon SNES style quality. Check: transparency (clean edges), silhouette (strong/readable), proportions (compact not stretched), color palette (dusk-friendly), pixel detail (minimal noise). Reference: assets/sprites/PLACEHOLDER_ASSET_SPEC.txtCheck this sprite for transparency issues: - Halo effect (light/dark ring around edges) - Color bleeding (background showing through) - Harsh edges (no smooth curves on diagonals) - Partial transparency (should be opaque or transparent, not in-between). Report specific pixel locations and severity.name: image-analysis description: GLM-4.6v image analysis subagent for game screenshot and sprite quality assessment
Image Analysis Skill
Purpose: Delegate image analysis tasks to GLM-4.6v subagent for visual quality assessment of game screenshots and sprites.
When to Use
Invoke this skill when:
- New sprites are generated (via glm-image-gen)
- Screenshots captured during playtesting
- Visual quality validation needed before commits
- Checking for blocky backgrounds or transparency issues
- Comparing assets against Harvest Moon SNES style
Direct vs Delegated Analysis
Claude Opus can analyze images directly via the Read tool. Choose the right approach:
| Scenario | Approach | Why | |----------|----------|-----| | 1-3 images | Claude Direct | No overhead, faster | | Quick quality check | Claude Direct | Immediate feedback | | Batch analysis (10+) | MiniMax Parallel | Token efficiency | | Extensive visual QA | MiniMax Parallel | 50x cheaper |
Claude Direct Pattern
Read image file → Analyze in-context → Continue workflow
MiniMax/GLM Delegation Pattern (for batches)
Spawn parallel agents → Each analyzes subset → Aggregate results
Default: Use Claude Direct for small tasks, delegate batches to save tokens.
Quick Start
Analyze Screenshot
mcp__4_5v_mcp__analyze_image \
--imageSource "temp/screenshots/[filename].png" \
--prompt "Analyze this game screenshot for visual quality. Check for: blocky backgrounds, tiling seams, sprite transparency issues, pixel art scaling problems, overall Harvest Moon SNES readability. Provide specific, actionable feedback."
Analyze Sprite Asset
mcp__4_5v_mcp__analyze_image \
--imageSource "assets/sprites/placeholders/[filename].png" \
--prompt "Analyze this pixel art sprite for Harvest Moon SNES style quality. Check: transparency (clean edges), silhouette (strong/readable), proportions (compact not stretched), color palette (dusk-friendly), pixel detail (minimal noise). Reference: assets/sprites/PLACEHOLDER_ASSET_SPEC.txt"
Analyze NPC Sprite
mcp__4_5v_mcp__analyze_image \
--imageSource "assets/sprites/placeholders/npc_[name].png" \
--prompt "Analyze this 64x64 NPC sprite. Target proportions: ~48h x 32w centered. Check: strong silhouette, Mediterranean theme alignment, clean transparency, no elongation. Harvest Moon SNES style reference."
Standard Prompts
Full Quality Assessment
Analyze this image for Circe's Garden game quality standards:
Visual Style:
- Harvest Moon SNES readability (clean pixel art, strong silhouettes)
- Stardew Valley influence (but more mythic/moody)
- Mediterranean ancient Greek island theme
- Dusk-friendly palette (muted, not oversaturated)
- 32px tiles, 2x camera zoom
Check For:
1. Background issues: blocky patterns, tiling seams, color banding
2. Transparency: clean edges (no halos), proper alpha channel
3. Pixel art: minimal noise, clear details, proper scaling
4. Proportions: compact bodies, not stretched/elongated
5. Colors: natural earth tones, muted jewel accents
6. Lighting: soft ambient, no harsh specular
7. Silhouette: strong, recognizable at small size
Provide specific feedback: what works, what needs fixing, file references.
Transparency Check (Focused)
Check this sprite for transparency issues:
- Halo effect (light/dark ring around edges)
- Color bleeding (background showing through)
- Harsh edges (no smooth curves on diagonals)
- Partial transparency (should be opaque or transparent, not in-between)
Report specific pixel locations and severity.
Style Comparison
Compare this asset to Harvest Moon SNES style:
- Clean pixel art with minimal noise
- Strong silhouette (recognizable at 32x32)
- Soft, natural color palette
- Proper alpha blending
- No anti-aliasing on edges
- Cozy, approachable aesthetic
Report what matches style and what deviates.
Output Format
Expected response should include:
## Analysis Summary
[One-line assessment: PASS / NEEDS WORK / FAIL]
### Issues Found
**Critical (P0):**
- [Specific issue with location]
**Important (P1):**
- [Issue description]
**Minor (P2):**
- [Minor detail]
### What Works
- [Positive aspects to preserve]
### Recommendations
1. [Actionable fix 1]
2. [Actionable fix 2]
Common Issues
| Issue | Detection | Fix | |-------|-----------|-----| | Blocky background | Visible pixel grid, tiling patterns | Regenerate with better seam handling | | Halo effect | Light/dark ring around sprite | Fix alpha channel, clean edges | | Color bleeding | Background color in transparent pixels | Re-export with proper transparency | | Stretched proportions | Elongated body/limbs | Regenerate with compact proportions | | Oversaturated colors | Too bright/vibrant | Adjust palette to dusk-friendly tones | | Poor silhouette | Not recognizable at small size | Strengthen outline, simplify details |
File Locations
Input:
- Screenshots:
temp/screenshots/ - Sprites:
assets/sprites/ - Placeholders:
assets/sprites/placeholders/
Reference:
- Asset specs:
assets/sprites/PLACEHOLDER_ASSET_SPEC.txt - Style guide:
assets/sprites/PLACEHOLDER_README.md
Integration
With glm-image-gen
# After generating new sprite
./generate-image.sh '{"subject":"..."}' 1024x1024 standard
./process-image.sh "$TEMP" "32x32" "assets/sprites/output.png"
# Then analyze quality
mcp__4_5v_mcp__analyze_image --imageSource "assets/sprites/output.png" --prompt "[standard prompt]"
With HPV (Playtesting)
# During screenshot review
ls temp/screenshots/
mcp__4_5v_mcp__analyze_image --imageSource "temp/screenshots/world_map.png" --prompt "[screenshot prompt]"
Pre-commit Check
# Before committing asset changes
git status
mcp__4_5v_mcp__analyze_image --imageSource "assets/sprites/new_asset.png" --prompt "[validation prompt]"
Subagent Role
Full subagent configuration: .claude/roles/image-analysis-subagent.md
Model: GLM-4.6v (vision-capable)
Tool: mcp__4_5v_mcp__analyze_image
Purpose: Specialized visual quality assessment
Success Criteria
Analysis is effective when:
- Issues match human findings (80%+ accuracy)
- False positives < 20%
- Actionable feedback provided
- Response time < 30 seconds
- Consistent report format
Related:
.claude/skills/glm-image-gen/SKILL.md(sprite generation)assets/sprites/PLACEHOLDER_ASSET_SPEC.txt(asset specifications).claude/roles/image-analysis-subagent.md(full subagent docs)
[Kimi Code CLI - 2026-01-26]
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/image-analysis-for-visual-quality-assessment-mm5t8a8m/download' --output '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md.part' && mv '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md.part' '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md' && test -s '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/image-analysis' && cp -R '.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m' '.claude/skills/image-analysis'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m'openskills read 'image-analysis-for-visual-quality-assessment-mm5t8a8m'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/image-analysis-for-visual-quality-assessment-mm5t8a8m/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Bonnes pratiques React Hook Form
Developpement
Maîtrisez React Hook Form : évitez les anti-patterns, gérez les abonnements, et traitez correctement reset, dirty state et entrées contrôlées.
Migration Emotion vers Mantine
Developpement
Migrer les styled-components Emotion vers des composants Mantine avec style props et modules CSS. Pour convertir .styled.tsx ou supprimer les imports @emotion.
Détecteur de dérive de périmètre
Developpement
Analyse les diffs git par rapport à une intention pour détecter la dérive de périmètre, fichiers non liés et PR trop larges, puis suggère de garder, diviser ou justifier.