iot-anomalies — скилл для Claude Code: что делает и как установить
Находит и классифицирует аномалии телеметрии на устройствах Cognitum Seed. Помогает проверить датчик перед обновлением прошивки или разобрать алерты по всему парку.
npx skills add ruvnet/ruflo --skill iot-anomalies -a claude-codeЧто делает iot-anomalies
Скилл запускает расчёт Z-score по недавней телеметрии переданного DEVICE_ID. Для этого он вызывает консольную команду cognitum-iot anomalies из пакета @claude-flow/[email protected] через npx.
Инструмент распознаёт типовые сценарии сбоев: резкий скачок (spike), замирание значений (flatline), медленный дрейф (drift), колебания (oscillation), срыв паттерна (pattern-break) или кластерный выброс (cluster-outlier). Если итоговый скор превышает 0.9, агент сразу советует изолировать устройство в карантин.
Результат проверки сохраняется в долговременную память через вызов mcp__plugin_ruflo-core_ruflo__memory_store в пространстве имён iot-anomalies. Без установленного Node.js с утилитой npx и подключённого инструмента памяти этот скилл работать не сможет.
Какие задачи решает
- рассчитать Z-score по телеметрии конкретного устройства
- классифицировать дрейф, скачки и замирания показателей датчиков
- проверить поведение устройства перед накатом канареечной прошивки
- изолировать неисправный узел при показателе аномалии выше 0.9
Примеры запросов агенту
- Проверь телеметрию устройства
seed-dev-42на аномалии - Запусти анализ метрик
seed-891перед выкаткой канареечной версии - Классифицируй странные скачки телеметрии на датчике
seed-node-03
Как установить iot-anomalies
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill iot-anomalies -a claude-code2Вручную: положить файлы
~/.claude/skills/iot-anomalies/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/iot-anomalies/
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill iot-anomalies -a codex2Вручную: положить файлы
.agents/skills/iot-anomalies/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill iot-anomalies -a cursor2Вручную: положить файлы
.cursor/skills/iot-anomalies/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install ruvnet/ruflo iot-anomalies2Вручную: положить файлы
.github/skills/iot-anomalies/SKILL.md1Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill iot-anomalies -a gemini-cli2Командой платформы
gemini skills install https://github.com/ruvnet/ruflo --path plugins/ruflo-iot-cognitum/skills/iot-anomaliesВручную: положить файлы
.devin/skills/iot-anomalies/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add ruvnet/ruflo --skill iot-anomalies -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Из того же набора146
Похожие
Рядом в теме «DevOps и инфраструктура»
Всё по теме «DevOps и инфраструктура» →Вопросы о iot-anomalies
Как установить iot-anomalies в Claude Code?
Выполните команду npx skills add ruvnet/ruflo --skill iot-anomalies -a claude-code. Конфигурация появится в ~/.claude/skills/iot-anomalies/SKILL.md.
Что делает скилл iot-anomalies?
Он проверяет недавние метрики устройств Cognitum Seed на базе Z-score и определяет тип ошибки телеметрии. После анализа скилл сохраняет паттерн в память через MCP.
В каком случае скилл предлагает карантин устройства?
Рекомендация отправить устройство в карантин выдаётся, если расчётный скор аномалии превысил 0.9.
Исходный текст
SKILL.md · MIT
--- name: iot-anomalies description: Detect and classify telemetry anomalies on Cognitum Seed devices. Use when investigating a device that's reporting odd metrics, before approving a firmware canary advancement, or when triaging fleet-wide health alerts. allowed-tools: Bash(npx *) mcp__plugin_ruflo-core_ruflo__memory_store Read argument-hint: "<device-id>" --- Run Z-score anomaly detection on a device's recent telemetry. Steps: 1. `npx -y -p @claude-flow/[email protected] cognitum-iot anomalies DEVICE_ID` 2. Review detected anomaly types (spike, flatline, drift, oscillation, pattern-break, cluster-outlier) 3. If score > 0.9, recommend quarantine 4. Store anomaly pattern for learning: `mcp__plugin_ruflo-core_ruflo__memory_store({ key: "iot-anomaly-DEVICEID", value: "TYPE at SCORE", namespace: "iot-anomalies" })`
© ruvnet · MIT · ruvnet/ruflo
