Requirements
- Target platform
- OpenClaw
- Install method
- Manual import
- Extraction
- Extract archive
- Prerequisites
- OpenClaw
- Primary doc
- SKILL.md
Génère automatiquement des modèles 3D paramétriques détaillés en Python/Trimesh à partir de descriptions textuelles, avec export STL optimisé.
Génère automatiquement des modèles 3D paramétriques détaillés en Python/Trimesh à partir de descriptions textuelles, avec export STL optimisé.
Hand the extracted package to your coding agent with a concrete install brief instead of figuring it out manually.
I downloaded a skill package from Yavira. Read SKILL.md from the extracted folder and install it by following the included instructions. Tell me what you changed and call out any manual steps you could not complete.
I downloaded an updated skill package from Yavira. Read SKILL.md from the extracted folder, compare it with my current installation, and upgrade it while preserving any custom configuration unless the package docs explicitly say otherwise. Summarize what changed and any follow-up checks I should run.
Génération automatique de modèles 3D détaillés à partir de descriptions textuelles.
Prompt utilisateur → LLM (Kimi/Gemini) → Code Python/Trimesh → Génération STL → Export
Analyse du prompt → Extraction entités (formes, dimensions, détails) Génération code → LLM crée script Python/Trimesh Validation syntaxique → Vérification imports et structure Exécution → Génération mesh + export STL Post-traitement → Optimisation, vérification manifold
Fais-moi un château
{ "name": "3d:generate-daily", "schedule": {"kind": "cron", "expr": "0 9 * * *"}, "payload": { "message": "Génère un modèle 3D aléatoire du jour (animaux, architecture, véhicules) et exporte en STL", "model": "openrouter/moonshotai/kimi-k2.5" } }
Sculpting procédural # Ajouter du bruit de surface pour texture def add_surface_noise(mesh, amplitude=0.1): vertices = mesh.vertices.copy() noise = np.random.normal(0, amplitude, vertices.shape) mesh.vertices = vertices + noise return mesh Détails paramétriques # Générer des détails répétitifs for i in range(100): # 100 panneaux de surface angle = i * 2 * np.pi / 100 panel = create_detailed_panel() position_on_surface(panel, radius=20, angle=angle) Boolean operations optimisées # Utiliser trimesh.boolean pour les découpes complexes from trimesh.boolean import difference, union, intersection result = difference(base_mesh, cutting_tool)
LLM génère le script Python (~30s) Exécution Trimesh (~1-2min) Export STL optimisé Rapport: triangles, volume, dimensions
Pour les modèles très complexes (>100k triangles), prévoir plus de temps Utiliser trimesh.smoothing pour lisser les surfaces si nécessaire Vérifier que le modèle est "manifold" (étanche) pour l'impression 3D Sauvegarder les scripts générés pour réutilisation/modification
Agent frameworks, memory systems, reasoning layers, and model-native orchestration.
Largest current source with strong distribution and engagement signals.