fungi-identification
关于
This Claude skill identifies mushrooms in the field using morphological features, spore prints, and habitat analysis with a strict safety-first approach. It helps differentiate similar species and assess toxicity risk, emphasizing absolute certainty before any consumption. Developers can integrate it for applications involving unknown fungi, confirming edible species, or evaluating mushrooms in gardens.
快速安装
Claude Code
推荐npx 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-identification在 Claude Code 中复制并粘贴此命令以安装该技能
技能文档
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
GitHub 仓库
相关推荐技能
llamaguard
其他LlamaGuard是Meta推出的7-8B参数内容审核模型,专门用于过滤LLM的输入和输出内容。它能检测六大安全风险类别(暴力/仇恨、性内容、武器、违禁品、自残、犯罪计划),准确率达94-95%。开发者可通过HuggingFace、vLLM或Sagemaker快速部署,并能与NeMo Guardrails集成实现自动化安全防护。
cost-optimization
其他这个Claude Skill帮助开发者优化云成本,通过资源调整、标记策略和预留实例来降低AWS、Azure和GCP的开支。它适用于减少云支出、分析基础设施成本或实施成本治理策略的场景。关键功能包括提供成本可视化、资源规模调整指导和定价模型优化建议。
quantizing-models-bitsandbytes
其他这个Skill使用bitsandbytes库量化大语言模型,能在GPU内存有限时通过8位或4位量化减少50-75%内存占用,同时保持精度损失最小。它支持INT8、NF4、FP4等多种量化格式,可与HuggingFace Transformers无缝集成,适用于需要部署更大模型或加速推理的场景。还提供QLoRA训练和8位优化器支持,让开发者能轻松实现高效模型压缩。
dispatching-parallel-agents
其他该Skill用于并行处理3个以上无依赖关系的独立故障,可为每个问题域分派专属Claude代理同时执行调查修复。它通过并发处理多个独立问题显著提升故障排查效率,特别适用于测试文件、子系统等无共享状态的场景。
