Skip to content
Agentmart
Submit a tool

analyze-3d-input

Analyser des images de référence 3D en composants stables, occlusions, articulations et relations de séparation.

Skill by leuzeus

IndexedMIT★ 1
Write a review

Chalk Labs

Need help deploying analyze-3d-input?

Chalk Labs sets up agents like this inside real teams: connected to your tools, tested on your data, with a human in the loop where it matters.

Book a call

Install

Works with Claude Code, Claude apps, Codex, Cursor, Gemini CLI, GitHub Copilot, VS Code, OpenCode, Goose, Windsurf. Read the repository before you give any tool access to your data.

npx agentmarket install skill/leuzeus-analyze-3d-input

Asks which of your tools to add it to (Claude Code, Codex, Cursor, VS Code, Windsurf, Gemini CLI, Claude Desktop) and shows the change first. See https://agentmart.dev/cli.

Get the weekly diff

The weekly diff: one email a week with new agent tools, notable updates and grade changes, plus security alerts for tools you follow. Double opt-in, one-click unsubscribe.

We use your email only for this newsletter. Privacy

About

Analyser des images de référence 3D en composants stables, occlusions, articulations et relations de séparation.

No reviews yet. Installed it? Reviews come from verified installers only. How reviews work

Permissions

What this skill can do and what it asks for, from its SKILL.md. Checked Oct 25, 2026.

Tools
No tools found
Secrets
None asked for
Install scripts
None found

Network hosts it talks to 1

  • codeload.github.com · found in install command

Files it touches

  • ~/.claude/skills/analyze-3d-input

What's inside

Skill name
analyze-3d-input
Description
Analyser des images de référence 3D en composants stables, occlusions, articulations et relations de séparation.
License
MIT
Instructions
9 lines in SKILL.md · view on GitHub

Files (1)

  • SKILL.md

SKILL.md (first lines)

# analyze-3d-input

Ouvrir les images disponibles avant de conclure. Décrire ce qui est visible et ce qui est inféré. Attribuer des IDs stables tels que body.jaw ou garment.coat. Remplir component.schema.json et les relations de asset.schema.json. Séparer les dents, mâchoires, manches et membres lorsque leur mobilité l'exige. Identifier les vues manquantes et les ambiguïtés ayant un effet sur la fabrication. Un texte ou une flèche appartient à l'overlay, jamais par défaut à l'image clean. Voir [les règles de références](../../references/references-3d.md).

Préparer le dossier conforme à `schemas/construction.schema.json` : gabarit et mensurations, vues face/profil/dos, décomposition avec IDs, pièces et matières, dimensions, hypothèses, assemblages, critères de silhouette, mobilité et livraison cible. Pour un vêtement : lignes continues au-dessus et au-dessous de la ceinture, ouverture des pans, largeur des bras/poignets, couches, doublure, col, pièce amovible, positions de capuche et aisance doivent être explicités. Les observations ne deviennent pas des mesures certaines : indiquer observed/inferred/user-confirmed. Lever les inconnues bloquantes avant la revue du board.

Le board de préparation est construit à partir des images de référence originales fournies par l’utilisateur, avant modélisation. Ne jamais utiliser le mesh produit comme sa propre référence de conception. Le dossier doit fournir `source_references` (preuves des originaux et origine dans la conversation), `source_evidence_keys` pour chaque vue et pièce, et `reference_notes` pour les indices observés ou extrapolés. Les références sources doivent être celles examinées dans le gate references. Elles sont intégrées au board et au dossier. Le type mesh-render est refusé pour les vues de ce board. Un board documentaire créé après la 3D est un diagnostic séparé et ne remplace jamais cette validation.

From leuzeus/atelier-3d, MIT.

More from leuzeus/atelier-3d

Signals

Stars
1
Forks
0
Open issues
0
Last commit (this folder)
Oct 1, 2026 (1 month ago)
Last release
Oct 3, 2026 (28 days ago)

From GitHub (fetched Oct 24, 2026).

Details

License
MIT
First seen
Oct 24, 2026
Last checked
Oct 24, 2026

More from leuzeus

Done for you

Rather not set it up yourself?

Chalk Labs scopes, builds and runs agents for your team: the task audit, the eval harness, the integrations and the weekly ops report. Fixed scope, priced before we start.

See how we build AI agents →Read the case studies

Chalk Labs is a two-founder AI and growth studio. We build AI agents, CRMs and MVPs for Web3 and AI companies, and have shipped 50+ product and token launches.

launches shipped
50+
launches shipped
media placements
500+
media placements
founders on every account
2
founders on every account

Press we've placed: Forbes · CoinDesk · Decrypt · Cointelegraph · The Block

Rahil Jain, Co-founder, Chalk Labs. Ex-Goldman Sachs engineer. You talk to the person who builds it.

Get analyze-3d-input running in your business

Tell us what you want to automate. A founder replies within one working day with a plan, not a pitch deck.

Goes to the Chalk Labs founders, not the newsletter. Privacy

Need help deploying analyze-3d-input?

CallGet help
Cite this page

analyze-3d-input skill. Agent Mart. https://agentmart.dev/skills/leuzeus-analyze-3d-input (last updated 2026-10-24)