К основному содержанию
скилл CX Codex

farming-expert — скилл для Claude Code: что делает и как установить

Скилл farming-expert даёт агенту агрономический контекст: севооборот, показания почвенных датчиков, NDVI и прогноз урожайности, с примерами кода на Python.

Apache-2.0 283 установок ★ 45 обновлён 2026-10-12

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add personamanagmentlayer/pcl --skill farming-expert -a claude-code
Открыть на GitHub

Что делает farming-expert

Скилл добавляет агенту предметную область: точное земледелие, управление хозяйством, мониторинг посевов и агротех. Внутри есть справочная часть про GPS-технику, дифференцированное внесение, анализ почвы и снимки с дронов или спутников. Рядом лежит код на Python: класс FarmManagementSystem планирует севооборот, считает здоровье культуры по датчикам и оценивает урожайность поля.

Второй пример, AgricultureIoT, усредняет свежие показания почвенного зонда: влажность, температуру, pH, электропроводность и питательные элементы. Дальше он помечает аномалии. Пороги стоят прямо в коде: влажность ниже 20, pH вне 5.5–7.5, NDVI ниже 0.6.

Код ждёт готовый слой доступа к данным: объект db с методами вроде get_field и get_crop_history. В примерах вызывается np.mean, поэтому без numpy они не запустятся. Скиллу разрешены только Read, Write и Edit — файлы он правит, а команды выполняете вы.

Какие задачи решает

  • спланировать севооборот на несколько лет с пояснением по каждой культуре
  • собрать мониторинг поля по датчикам и NDVI
  • прикинуть урожайность участка по площади, осадкам и внесённым удобрениям
  • разобрать показания почвенного зонда и поймать выход pH за норму
  • описать поле и цикл культуры структурами данных в Python

Примеры запросов агенту

  • Спланируй севооборот для поля field-12 на три года и объясни выбор каждой культуры
  • Напиши обработчик почвенных датчиков: усредни влажность и pH за сутки и выдай алерт, если влажность ниже 20
  • Оцени урожайность поля по NDVI и накопленным осадкам

Как установить farming-expert

1Через Skills CLI (Vercel)

npx skills add personamanagmentlayer/pcl --skill farming-expert -a claude-code

2Вручную: положить файлы

~/.claude/skills/farming-expert/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/farming-expert/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о farming-expert

Как установить farming-expert в Claude Code?

Выполните npx skills add personamanagmentlayer/pcl --skill farming-expert -a claude-code. После этого файл скилла лежит в ~/.claude/skills/farming-expert/SKILL.md.

Что делает farming-expert?

Подсказывает агенту, как устроены севооборот, мониторинг посевов и прогноз урожайности, и даёт готовые классы на Python для расчётов по полю и датчикам.

Что нужно, чтобы примеры кода заработали?

Нужен numpy для np.mean и объект db с методами вроде get_field и get_crop_history — скилл опирается на уже существующий слой данных.

Исходный текст

SKILL.md · Apache-2.0
---
name: farming-expert
version: 2.0.0
description: >-
  Expert-level precision agriculture, farm management systems, crop monitoring, and agtech.
  Use when the user mentions agriculture, precision agriculture, agtech, or crop
  management, or when the task involves Farm Management or AgTech Solutions.
category: domains
tags: [agriculture, farming, precision-agriculture, agtech, crop-management]
allowed-tools:
  - Read
  - Write
  - Edit
---

# Farming Expert

Expert guidance for precision agriculture, farm management systems, crop monitoring, IoT sensors, and agricultural technology.

## Core Concepts

### Precision Agriculture

- GPS-guided equipment
- Variable rate technology
- Crop monitoring and sensors
- Soil analysis and mapping
- Drone/satellite imagery
- Automated irrigation systems

### Farm Management

- Crop planning and rotation
- Resource optimization
- Yield prediction
- Weather forecasting integration
- Equipment maintenance
- Financial management

### AgTech Solutions

- IoT sensors (soil, weather)
- Machine learning for yield prediction
- Automated harvesting
- Livestock tracking
- Supply chain integration
- Marketplace platforms

## Farm Management System

```python
from dataclasses import dataclass
from typing import List, Optional
from datetime import datetime, timedelta
from enum import Enum

class CropType(Enum):
    WHEAT = "wheat"
    CORN = "corn"
    SOYBEANS = "soybeans"
    RICE = "rice"
    VEGETABLES = "vegetables"

class GrowthStage(Enum):
    PLANTED = "planted"
    GERMINATION = "germination"
    VEGETATIVE = "vegetative"
    FLOWERING = "flowering"
    HARVEST_READY = "harvest_ready"
    HARVESTED = "harvested"

@dataclass
class Field:
    field_id: str
    name: str
    area_hectares: float
    soil_type: str
    coordinates: List[tuple]  # GPS polygon
    irrigation_system: str
    drainage_quality: str

@dataclass
class CropCycle:
    cycle_id: str
    field_id: str
    crop_type: CropType
    variety: str
    planting_date: datetime
    expected_harvest_date: datetime
    growth_stage: GrowthStage
    seed_rate: float
    fertilizer_applied: List[dict]
    pesticides_applied: List[dict]
    irrigation_schedule: List[dict]

class FarmManagementSystem:
    """Farm management and crop tracking"""

    def __init__(self, db):
        self.db = db

    def plan_crop_rotation(self, field_id, years=3):
        """Generate crop rotation plan"""
        field = self.db.get_field(field_id)
        history = self.db.get_crop_history(field_id, years=10)

        # Analyze soil nutrients and previous crops
        rotation_plan = []

        # Rules for rotation:
        # - Alternate nitrogen-fixing and nitrogen-demanding crops
        # - Avoid same crop family consecutively
        # - Consider soil health and pest management

        for year in range(years):
            recommended_crop = self.recommend_next_crop(field, history, year)
            rotation_plan.append({
                'year': datetime.now().year + year,
                'crop': recommended_crop,
                'reason': self.explain_recommendation(recommended_crop, history)
            })

        return rotation_plan

    def monitor_crop_health(self, field_id):
        """Monitor crop health using sensor data"""
        field = self.db.get_field(field_id)
        current_crop = self.db.get_current_crop(field_id)

        # Collect sensor data
        soil_moisture = self.get_soil_moisture_data(field_id)
        weather_data = self.get_weather_data(field.coordinates)
        ndvi_data = self.get_ndvi_from_satellite(field.coordinates)

        # Analyze health indicators
        health_score = self.calculate_health_score(
            soil_moisture,
            weather_data,
            ndvi_data,
            current_crop
        )

        alerts = []
        if soil_moisture < current_crop.optimal_moisture_min:
            alerts.append({
                'type': 'irrigation_needed',
                'severity': 'high',
                'message': 'Soil moisture below optimal level'
            })

        if ndvi_data < 0.6:  # Vegetation health threshold
            alerts.append({
                'type': 'crop_stress',
                'severity': 'medium',
                'message': 'NDVI indicates possible crop stress'
            })

        return {
            'field_id': field_id,
            'health_score': health_score,
            'soil_moisture': soil_moisture,
            'ndvi': ndvi_data,
            'alerts': alerts,
            'recommendations': self.generate_recommendations(alerts)
        }

    def predict_yield(self, field_id):
        """Predict crop yield using ML"""
        field = self.db.get_field(field_id)
        current_crop = self.db.get_current_crop(field_id)

        # Features for prediction
        features = {
            'field_area': field.area_hectares,
            'soil_type': field.soil_type,
            'crop_variety': current_crop.variety,
            'days_since_planting': (datetime.now() - current_crop.planting_date).days,
            'total_rainfall': self.get_accumulated_rainfall(field_id),
            'avg_temperature': self.get_avg_temperature(field_id),
            'fertilizer_amount': sum(f['amount'] for f in current_crop.fertilizer_applied),
            'ndvi_avg': self.get_avg_ndvi(field_id)
        }

        # Use trained model to predict yield
        predicted_yield_per_hectare = self.yield_model.predict([features])[0]
        total_yield = predicted_yield_per_hectare * field.area_hectares

        return {
            'field_id': field_id,
            'predicted_yield_kg': total_yield,
            'yield_per_hectare': predicted_yield_per_hectare,
            'confidence': 0.85,
            'expected_harvest_date': current_crop.expected_harvest_date
        }
```

## IoT Sensor Integration

```python
class AgricultureIoT:
    """IoT sensor data collection and analysis"""

    def process_soil_sensor_data(self, sensor_id):
        """Process soil sensor readings"""
        readings = self.db.get_recent_readings(sensor_id, hours=24)

        analysis = {
            'sensor_id': sensor_id,
            'avg_moisture': np.mean([r['moisture'] for r in readings]),
            'avg_temperature': np.mean([r['temperature'] for r in readings]),
            'avg_ph': np.mean([r['ph'] for r in readings]),
            'avg_ec': np.mean([r['ec'] for r in readings]),  # Electrical conductivity
            'nitrogen_level': np.mean([r['nitrogen'] for r in readings]),
            'phosphorus_level': np.mean([r['phosphorus'] for r in readings]),
            'potassium_level': np.mean([r['potassium'] for r in readings])
        }

        # Detect anomalies
        anomalies = []
        if analysis['avg_moisture'] < 20:
            anomalies.append('Low soil moisture - irrigation recommended')
        if analysis['avg_ph'] < 5.5 or analysis['avg_ph'] > 7.5:
            anomalies.append(f'Soil pH out of optimal range: {analysis["avg_ph"]:.1f}')

        analysis['anomalies'] = anomalies

        return analysis

    def automate_irrigation(self, field_id):
        """Automated irrigation control"""
        field = self.db.get_field(field_id)
        soil_moisture = self.get_soil_moisture_data(field_id)
        weather_forecast = self.get_weather_forecast(field.coordinates, days=3)

        # Decision logic
        should_irrigate = False
        duration_minutes = 0

        # Check if irrigation is needed
        if soil_moisture < field.moisture_threshold:
            # Check if rain is expected
            expected_rainfall = sum(day['rainfall_mm'] for day in weather_forecast)

            if expected_rainfall < 10:  # Less than 10mm expected
                should_irrigate = True
                # Calculate irrigation duration
                moisture_deficit = field.moisture_threshold - soil_moisture
                duration_minutes = int(moisture_deficit * field.area_hectares * 60 / field.irrigation_rate)

        if should_irrigate:
            self.activate_irrigation(field_id, duration_minutes)

        return {
            'field_id': field_id,
            'irrigation_activated': should_irrigate,
            'duration_minutes': duration_minutes,
            'reason': 'Soil moisture below threshold' if should_irrigate else 'No irrigation needed'
        }
```

## Weather and Climate Analysis

```python
class WeatherAnalytics:
    """Weather-based agricultural decisions"""

    def analyze_growing_conditions(self, field_id, date_range):
        """Analyze weather suitability for crops"""
        weather_data = self.get_historical_weather(field_id, date_range)

        # Calculate growing degree days (GDD)
        gdd = sum([
            max(0, (day['temp_max'] + day['temp_min']) / 2 - 10)
            for day in weather_data
        ])

        # Analyze frost risk
        frost_days = len([d for d in weather_data if d['temp_min'] < 0])

        # Water balance
        total_rainfall = sum(d['rainfall_mm'] for d in weather_data)
        total_evapotranspiration = sum(d['et_mm'] for d in weather_data)
        water_deficit = total_evapotranspiration - total_rainfall

        return {
            'growing_degree_days': gdd,
            'frost_days': frost_days,
            'total_rainfall_mm': total_rainfall,
            'water_deficit_mm': water_deficit,
            'avg_temperature': np.mean([d['temp_avg'] for d in weather_data]),
            'suitability_score': self.calculate_suitability_score(gdd, frost_days, water_deficit)
        }

    def optimize_planting_date(self, field_id, crop_type):
        """Determine optimal planting date"""
        historical_weather = self.get_historical_weather(field_id, years=10)
        crop_requirements = self.get_crop_requirements(crop_type)

        # Find window with:
        # - Minimal frost risk
        # - Adequate soil temperature
        # - Good rainfall distribution

        optimal_dates = []

        for year_data in historical_weather:
            for date, conditions in year_data.items():
                score = self.score_planting_conditions(
                    conditions,
                    crop_requirements
                )
                optimal_dates.append((date, score))

        # Return best planting window
        best_dates = sorted(optimal_dates, key=lambda x: x[1], reverse=True)[:10]

        return {
            'recommended_planting_window': {
                'start': best_dates[-1][0],
                'end': best_dates[0][0]
            },
            'confidence': np.mean([d[1] for d in best_dates])
        }
```

## Pest and Disease Management

```python
class PestManagement:
    """Pest and disease monitoring and management"""

    def detect_pest_risk(self, field_id):
        """Predict pest pressure"""
        weather_data = self.get_recent_weather(field_id, days=14)
        crop = self.db.get_current_crop(field_id)

        # Environmental factors affecting pests
        avg_temp = np.mean([d['temperature'] for d in weather_data])
        avg_humidity = np.mean([d['humidity'] for d in weather_data])
        rainfall = sum(d['rainfall_mm'] for d in weather_data)

        risk_factors = {
            'temperature_risk': self.assess_temp_risk(avg_temp, crop.crop_type),
            'humidity_risk': self.assess_humidity_risk(avg_humidity),
            'rainfall_risk': self.assess_rainfall_risk(rainfall)
        }

        overall_risk = sum(risk_factors.values()) / len(risk_factors)

        recommendations = []
        if overall_risk > 0.7:
            recommendations.append('Scout fields for pest activity')
            recommendations.append('Consider preventive treatment')
        elif overall_risk > 0.5:
            recommendations.append('Increase monitoring frequency')

        return {
            'field_id': field_id,
            'overall_risk_score': overall_risk,
            'risk_level': 'high' if overall_risk > 0.7 else 'medium' if overall_risk > 0.4 else 'low',
            'risk_factors': risk_factors,
            'recommendations': recommendations
        }

    def analyze_crop_image(self, image_data):
        """Detect diseases from crop images using ML"""
        # Would use computer vision model (CNN) trained on crop diseases
        # Returns detected diseases and confidence scores

        predictions = self.disease_detection_model.predict(image_data)

        return {
            'detected_diseases': predictions['diseases'],
            'confidence': predictions['confidence'],
            'affected_area_percent': predictions['affected_area'],
            'treatment_recommendations': self.get_treatment_plan(predictions['diseases'])
        }
```

## Best Practices

- Use precision agriculture techniques
- Implement crop rotation
- Monitor soil health regularly
- Integrate weather data for decisions
- Use IoT sensors for real-time monitoring
- Apply variable rate technology
- Optimize water usage
- Practice integrated pest management
- Track field-level profitability
- Use data-driven decision making
- Maintain equipment properly
- Follow sustainable practices

## Anti-Patterns

❌ Over-application of inputs
❌ Ignoring soil health
❌ No crop rotation
❌ Manual data collection only
❌ Ignoring weather forecasts
❌ Reactive instead of proactive management
❌ No yield analysis

## Resources

- Precision Agriculture: https://www.ispag.org/
- FAO Agricultural Data: http://www.fao.org/faostat/
- Crop Science Society: https://www.crops.org/
- Agricultural IoT: https://www.iot-agriculturet.com/

© personamanagmentlayer · Apache-2.0 · personamanagmentlayer/pcl

Похожие скиллы

Все скиллы по теме «Настройка агента: память, контекст, субагенты» →
pancakeswap Starchild-ai-agent Скилл помогает планировать свопы, LP-позиции, фарминг и сбор наград в PancakeSwap. Он пригодится для DeFi-задач и интеграции PCS Hub. CX Codex +1 265установок commodities-list OctagonAI Скилл commodities-list находит биржевые сырьевые товары в энергетике, металлах и сельском хозяйстве, а также компании-трейдеры через сервер Octagon MCP. CX Codex +1 342установок azure-data-manager-for-agri MicrosoftDocs Подключает документацию по Azure Data Manager for Agriculture: квоты, Event Grid, приём телеметрии датчиков и спутниковых снимков. CX Codex +1 171установок agrobr bruno-portfolio MCP-сервер agrobr для Claude Code и других агентов: отдаёт цены, урожаи, климат и данные о вырубке лесов Бразилии из публичных источников. Считает и сверяет данные по бразильскому агробизнесу прямо в чате. CX Codex +1 ★ 31звёзд репо faostat-mcp-server cyanheads Локальное зеркало FAOSTAT на SQLite: производство, торговля, продовольственная безопасность, выбросы по 245+ странам с 1961 года. Через MCP-инструменты агент сам находит домены, резолвит коды и гоняет SQL. CX Codex +1 2 410установок FAOSTAT MCP berba-q Сервер FAOSTAT MCP открывает моделям доступ к базе статистики ФАО ООН по 245 странам. Он помогает запрашивать показатели урожая, торговли, голода и выбросов прямо в диалоге с агентом. CX Codex +1 ★ 20звёзд репо

Из того же набора104

Весь набор →
java-expert Скилл java-expert настраивает агента на разработку корпоративных сервисов на Java 21+ и Spring Boot. Помогает писать чистый код с внедрением зависимостей через конструктор и сборкой в Maven или Gradle. CX Codex +1 307установок tableau-expert Скилл tableau-expert помогает проектировать дашборды Tableau, писать выражения LOD и ускорять тяжёлые книги вычислений. CX Codex +1 300установок hospitality-expert Скилл hospitality-expert по гостиничному хозяйству: помогает агенту разобраться с PMS, бронированиями, тарифами и запросами гостей. CX Codex +1 298установок blockchain-expert Скилл blockchain-expert для Claude Code разбирает блокчейн, Web3, Solidity, смарт-контракты и DeFi. Помогает проектировать, тестировать и аудировать криптосистемы. CX Codex +1 296установок energy-expert Скилл energy-expert для Claude Code помогает с задачами по энергосистемам, умным сетям и SCADA. Подключается к запросам о возобновляемой энергетике, управлении мощностью и энергетической аналитике. CX Codex +1 282установок openapi-expert Скилл openapi-expert проектирует спецификации OpenAPI 3.0 и 3.1, настраивает полиморфизм схем и генерирует код клиентов или серверов. CX Codex +1 282установок git-expert Скилл git-expert для Claude Code даёт агенту рецепты для git: отмены коммита, извлечения работы из main и чистки истории. Разбирает проблемы с git, возникшие посреди работы. CX Codex +1 279установок python-expert Скилл python-expert настраивает ИИ-ассистента на разработку на современном Python: строгая типизация, стандарты PEP 8, асинхронный код, работа с uv, poetry и ruff. CX Codex +1 277установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой