Acerca de
Esta habilidad de Claude identifica hongos en el campo utilizando características morfológicas, esporadas y análisis del hábitat, con un enfoque estricto de seguridad ante todo. Ayuda a diferenciar especies similares y evaluar el riesgo de toxicidad, haciendo hincapié en la certeza absoluta antes de cualquier consumo. Los desarrolladores pueden integrarla para aplicaciones que involucren hongos desconocidos, confirmar especies comestibles o evaluar setas en jardines.
Instalación rápida
Claude Code
Recomendadonpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/fungi-identificationCopia y pega este comando en Claude Code para instalar esta habilidad
Documentación
Fungi Identification
Identificar hongos en campo usando características morfológicas, impresiones de esporas, hábitat y estación con un enfoque absoluto de seguridad primero.
Cuándo Usar
- Encuentras un hongo desconocido y necesitas identificarlo
- Estás recolectando setas comestibles y necesitas confirmar la especie antes del consumo
- Quieres evaluar si los hongos en tu jardín o propiedad son dañinos
- Estás desarrollando habilidades de identificación en campo mediante práctica de observación estructurada
- Necesitas diferenciar una especie comestible de un similar peligroso
Entradas
- Requerido: Un espécimen de hongo o una observación clara de uno in situ
- Requerido: Capacidad de observar detalles morfológicos finos (sombrero, láminas, pie, base)
- Opcional: Guía de campo o material de referencia para la región
- Opcional: Papel y vidrio para impresiones de esporas
- Opcional: Cuchillo para examen de sección transversal
- Opcional: Lupa de mano (10x) para detalles finos
Procedimiento
Paso 1: La Regla Cardinal
Antes de cualquier trabajo de identificación, internalizar la regla absoluta de la micología.
CARDINAL RULE:
If you are not 100% certain of the identification, DO NOT EAT IT.
There is no "universal edibility test" for mushrooms.
Some deadly species taste pleasant.
Some deadly species have delayed symptoms (24-72 hours).
Some deadly species have NO antidote.
The cost of a false positive (eating a misidentified mushroom) is
organ failure and death. The cost of a false negative (skipping an
edible mushroom) is a missed meal.
ALWAYS ERR TOWARD CAUTION.
Esperado: La regla cardinal está internalizada antes de proceder con la identificación.
En caso de fallo: No hay modo de fallo para este paso. Si la regla no está internalizada, no proceder a la identificación en campo con fines de consumo.
Paso 2: Documentar el Hábitat
El contexto reduce las posibilidades de identificación antes de tocar el espécimen.
Habitat Recording:
+--------------------+------------------------------------------+
| Factor | Record |
+--------------------+------------------------------------------+
| Substrate | Soil, wood (dead/living), dung, leaf |
| | litter, moss, other fungi |
+--------------------+------------------------------------------+
| Tree association | What trees are within 10m? (Many fungi |
| | are mycorrhizal with specific tree genera)|
+--------------------+------------------------------------------+
| Moisture | Dry, damp, wet, waterlogged |
+--------------------+------------------------------------------+
| Light | Full shade, dappled, open |
+--------------------+------------------------------------------+
| Season | Early spring, late spring, summer, early |
| | autumn, late autumn, winter |
+--------------------+------------------------------------------+
| Altitude | Lowland, mid-altitude, montane |
+--------------------+------------------------------------------+
| Growth pattern | Solitary, scattered, clustered, ring, |
| | shelf/bracket |
+--------------------+------------------------------------------+
Esperado: Un registro de hábitat completo que proporciona contexto para la identificación a nivel de especie.
En caso de fallo: Si el hábitat no está claro (ej., jardín urbano con plantaciones mixtas), registrar lo que sea visible. Los datos de hábitat incompletos reducen la confianza de identificación — tener esto en cuenta en la evaluación de seguridad.
Paso 3: Examinar las Características Morfológicas
Examen sistemático del espécimen mismo.
Morphological Checklist:
CAP (Pileus):
- Shape: convex, flat, concave, conical, umbonate, bell-shaped
- Diameter (measure or estimate)
- Surface: smooth, scaly, fibrous, slimy, dry, cracked
- Colour (note if colour changes with age or moisture)
- Margin: smooth, striate, inrolled, appendiculate (veil remnants)
GILLS / PORES / SPINES (Hymenium):
- Type: gills (lamellae), pores (tubes), spines (teeth), smooth
- Attachment: free, adnexed, adnate, decurrent
- Spacing: crowded, close, distant
- Colour (important — note changes with age)
- Bruising: do gills change colour when damaged?
STEM (Stipe):
- Height and diameter
- Shape: equal, tapered, bulbous, club-shaped
- Surface: smooth, fibrous, scaly, reticulate (netted)
- Interior: solid, hollow, stuffed (pithy center)
- Ring (annulus): present/absent, position, persistent/fragile
- Volva (cup at base): present/absent — ALWAYS check by
carefully excavating the base (Amanita species have a volva)
FLESH (Context):
- Colour when cut
- Colour change on exposure to air (note time to change)
- Texture: firm, brittle, fibrous, gelatinous
- Smell: mushroomy, anise, radish, flour, chlorine, unpleasant
- Taste: (ONLY if species is confirmed non-deadly by an expert;
for unknown species, DO NOT taste)
SPORE PRINT:
- Remove the stem; place the cap gill-side down on paper
(half white, half dark paper to see any colour)
- Cover with a glass or bowl to maintain humidity
- Wait 4-12 hours
- Record spore colour: white, cream, pink, brown, purple-brown,
black, rust-orange
Esperado: Una descripción morfológica completa cubriendo todas las características principales.
En caso de fallo: Si una característica no puede observarse (ej., no se ve anillo pero puede haberse perdido), registrarla como "no observado" en lugar de "ausente." La distinción importa para la identificación.
Paso 4: Identificar Usando Confirmaciones Múltiples
Verificar cruzadamente todos los datos contra material de referencia.
Identification Protocol:
1. Use habitat + season to narrow to likely genera
2. Use cap shape + gill type + spore colour to narrow to species group
3. Check ALL features against the candidate species description
4. Specifically check against dangerous look-alikes:
- Does this species have a deadly doppelganger?
- What feature distinguishes the edible from the deadly?
- Can I see that distinguishing feature clearly?
Confidence Levels:
+----------+---------------------------+---------------------------+
| Level | Criteria | Action |
+----------+---------------------------+---------------------------+
| Certain | All features match; no | Safe to collect (for |
| | look-alike confusion; | experienced identifiers) |
| | experienced with species | |
+----------+---------------------------+---------------------------+
| Probable | Most features match; | DO NOT eat. Collect for |
| | one or two uncertain; | further study (spore |
| | look-alike eliminated | print, expert review) |
+----------+---------------------------+---------------------------+
| Possible | Some features match; | DO NOT eat. Photograph |
| | look-alike not fully | and seek expert opinion |
| | eliminated | |
+----------+---------------------------+---------------------------+
| Unknown | Cannot narrow to species | DO NOT eat. DO NOT |
| | | handle extensively |
+----------+---------------------------+---------------------------+
Esperado: Una identificación a nivel de especie con nivel de confianza explícito y evaluación de similares.
En caso de fallo: Si la identificación se estanca a nivel de género, eso es aceptable para fines de aprendizaje. Para consumo, solo la identificación a nivel de especie con nivel "Certero" es aceptable.
Validación
- La regla cardinal fue reconocida antes de comenzar la identificación
- El hábitat fue documentado antes de examinar el espécimen
- Todas las características morfológicas fueron examinadas sistemáticamente
- La base fue excavada para verificar la presencia de volva
- Se tomó una impresión de esporas (si el tiempo lo permite)
- Los similares peligrosos fueron verificados y eliminados explícitamente
- El nivel de confianza fue evaluado honestamente
- Solo identificaciones "Certeras" fueron consideradas para consumo
Errores Comunes
- Confiar en una sola característica: "Se parece a un rebozuelo" basado solo en el color. Los rebozuelos verdaderos tienen láminas falsas (pliegues), crecen del suelo cerca de árboles, y tienen un olor específico a albaricoque. Los falsos rebozuelos y las setas de Jack-o'-lantern comparten el color pero difieren en todas las demás características
- Saltarse el examen de la base: No desenterrar la base omite la volva — la característica más importante para identificar las especies mortales de Amanita (oronja mortal, amanita verna)
- Confiar ciegamente en aplicaciones: Las aplicaciones de identificación de setas basadas en IA tienen tasas de error significativas para especies similares. Usarlas como punto de partida, nunca como confirmación
- Asumir que "común = seguro": La abundancia no indica comestibilidad. Las especies mortales pueden ser localmente abundantes
- Probar especies desconocidas: Algunos micólogos usan el sabor como herramienta diagnóstica, pero esto requiere conocimiento a nivel de experto de qué especies son seguras para probar. Para no expertos, no probar hongos desconocidos
- Ignorar toxinas temporales: Algunas especies (ej., Amanita phalloides) tienen sabor agradable y síntomas retrasados. Para cuando los síntomas aparecen (24-48 horas), el daño hepático es severo
Habilidades Relacionadas
mushroom-cultivation— cultivar especies conocidas elimina el riesgo de identificación por completoforage-plants— habilidad complementaria de identificación en campo; comparte la metodología de confirmación por múltiples características
Repositorio GitHub
Frequently asked questions
What is the fungi-identification skill?
fungi-identification is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform fungi-identification-related tasks without extra prompting.
How do I install fungi-identification?
Use the install commands on this page: add fungi-identification to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does fungi-identification belong to?
fungi-identification is in the Other category, tagged general.
Is fungi-identification free to use?
Yes. fungi-identification is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Habilidades relacionadas
LlamaGuard es el modelo de Meta de 7-8B parámetros para moderar las entradas y salidas de LLM en seis categorías de seguridad como violencia y discurso de odio. Ofrece una precisión del 94-95% y puede implementarse usando vLLM, Hugging Face o Amazon SageMaker. Utiliza esta skill para integrar fácilmente filtrado de contenido y barreras de seguridad en tus aplicaciones de IA.
Esta Skill de Claude ayuda a los desarrolladores a optimizar los costes en la nube mediante el ajuste de tamaño de recursos, estrategias de etiquetado y análisis de gastos. Proporciona un marco para reducir los gastos en la nube e implementar una gobernanza de costes en AWS, Azure y GCP. Úsala cuando necesites analizar los costes de infraestructura, ajustar el tamaño de los recursos o cumplir con restricciones presupuestarias.
Esta habilidad de Claude analiza los mercados de apuestas deportivas, incluyendo spreads, over/unders y apuestas de propuestas, mediante el examen de tendencias históricas y estadísticas situacionales para identificar apuestas de valor. Proporciona una salida en markdown estructurado con recomendaciones accionables con fines educativos. Los desarrolladores deben utilizar esto para herramientas de análisis de apuestas deportivas, teniendo en cuenta que está diseñado únicamente para entretenimiento/educación.
Esta habilidad cuantiza LLMs a precisión de 8 o 4 bits utilizando bitsandbytes, logrando una reducción de memoria del 50-75% con pérdida mínima de precisión. Es ideal para ejecutar modelos más grandes en memoria GPU limitada o para acelerar la inferencia, admitiendo formatos como INT8, NF4 y FP4. La habilidad se integra con HuggingFace Transformers y permite entrenamiento QLoRA y optimizadores de 8 bits.
