前言¶

田里看到叶子卷起来、边沿干枯，第一反应往往是浇水。但卷叶和焦边的原因不止干旱：白粉病、病毒病、药害、肥害都可能表现出类似的外观，一旦判断错方向，后面施肥打药全是白费，甚至加重问题。

面向这个场景的 Skill 不少，但多数把「卷叶」当成一个结论来输出，不区分上卷还是下卷，也不区分症状出现在老叶还是新叶。而病因恰恰藏在这些细节里。下面介绍的这个 Skill 走的是「视觉特征 + 可选土壤湿度」的联合判断路线，输出的是可解释的诊断结论。

这是什么¶

Leaf Curling & Margin Scorch Diagnosis | 植物卷叶/焦边识别（干旱/病害），坐标 @user_bb47e3e3/leaf-curling-scorch-diagnosis-analysis，版本 1.0.0，由社区发布者 user_bb47e3e3 发布，来源标记为 community，分类为 professional，标签 requires_api_key=false（不需要 API Key）。

它解决的问题是：摄像头拍到叶片后，判断卷曲方向和焦边分布，再结合可选的土壤湿度数据，给出最可能的原因和处理建议，供农户或农技人员快速定位问题。

核心功能¶

只列官方资料中写到的能力：

1、叶片卷曲方向检测：识别上卷（up-curling）或下卷（down-curling）。
2、焦边分布检测：判断叶缘干枯出现在老叶还是新叶，位置偏叶尖还是偏叶缘。
3、原因联合判断：把上述视觉特征与可选的土壤湿度传感器数据结合，推断干旱胁迫、病害（白粉病、病毒病等）、药害、肥害等最可能的原因。
4、定期巡检与自动诊断：按周期巡检田间，发现卷叶或焦边时自动分析，输出诊断结论和建议。

资料给出的一个诊断输出示例是：「叶片上卷、叶缘焦枯，土壤湿度偏低，可能干旱，建议灌溉」。这条示例同时说明两件事：结论是可解释的（带特征依据），并且土壤湿度数据是判断干旱与否的依据之一。

安装与启用¶

官方资料没有给出安装命令、依赖声明或 SKILL.md 的字段清单，只有坐标可用。因此下面只写能核实到的部分：

坐标：@user_bb47e3e3/leaf-curling-scorch-diagnosis-analysis
来源：community
分类：professional
requires_api_key：false
版本：1.0.0

按 SKILL.md 通用格式，在支持 Skill 的编辑器或运行时里按坐标引入即可；是否需要配置项以具体运行时的读取结果为准。Cursor、Codex CLI、Claude Code 三端在这份资料里都没有各自的安装说明，这里不做区分描述。

另需注意：资料快照中记录的安装量为 0。这是页面抓取时的状态，不代表功能不可用，但意味着缺少已验证的大规模部署反馈，本文也不引用任何用户评价。

典型用法¶

官方简介里的可复现路径是「巡检 + 触发分析」，没有给出可运行的脚本或 API 调用示例，所以这里只描述流程：

1、接入农业摄像头，按巡检周期采集叶片高清图像。
2、可选：同时读取土壤湿度传感器读数，作为诊断输入。
3、对图像做卷曲方向与焦边分布分析。
4、命中卷叶或焦边特征时，结合湿度数据输出原因判断与建议。

资料说明该 Skill 可集成到农业物联网系统、无人机巡检平台或手机 App 中，这三类集成方式都属于官方提到的能力范围，但具体接口形态未提供。

适用场景与注意¶

适合的场景：大田作物、温室蔬菜、果园。这类场景的共同点是叶片面积大、病征可见，且往往有巡检条件。

几个需要留意的点：

• 诊断依赖输入质量。高清图像是官方能力的前提；图像分辨率不足时，卷曲方向和焦边位置的判断依据会弱。
• 土壤湿度是可选输入。没有湿度数据时，系统仍可基于视觉特征做判断，但「干旱 vs 其他原因」的区分度会下降。
• 结论是辅助判断，不是确诊。资料把功能定位为帮助农户快速定位问题、减少误判损失，复杂病理仍需人工复核。
• 症状相似性是设计前提。干旱、病害、药害症状接近，因此该 Skill 刻意把特征拆细（上卷/下卷、老叶/新叶、叶尖/叶缘），而不是只给一个笼统结论。
• 社区来源，独立维护。来源为 community，发布者是个人账号 user_bb47e3e3，后续更新节奏需要自行确认。

结尾¶

这个 Skill 的价值在于把「卷叶了」这种模糊的田间观察，拆成卷曲方向、焦边位置、老新叶差异这些可观测特征，再用可选的湿度数据做归因，输出带依据的结论和建议。对于已经具备摄像头或无人机巡检能力的农业项目，它是一个低成本的诊断增强环节。

官方地址：https://api.skillhub.cn/user_bb47e3e3/leaf-curling-scorch-diagnosis-analysis