SKILLEMALL.ai

AD standards-corpus-classifier

Пакетная автоматическая классификация стандартных PDF (государственные GB / отраслевые QX·JB·YY… / местные DB11·DB31…) по принципу «уровень × область»: анализирует код стандарта в имени файла, определяет уровень и принадлежность по реестру, распределяет по подпапкам областей с номерами на основе ключевых слов в названии, а также создает CSV-каталог и HTML-отчет для визуализации, поддерживая пакетную загрузку по категориям/годам/номерам стандартов/названиям. Этот навык следует использовать, когда у пользователя есть папка со стандартными PDF-файлами (государственные стандарты/отраслевые стандарты/местные стандарты/групповые стандарты/корпоративные стандарты), и он хочет, чтобы они были классифицированы, организованы по тематическим подпапкам или инвентаризированы — например, "классифицируй эту партию стандартов по строительству, пищевой промышленности, транспорту и т. д.", "организуй папку с местными стандартами", "создай каталог классификации для этих PDF", "скачай стандарты определенной категории/года".

машинный переводПоказать оригиналСкрыть оригинал«将一批标准 PDF(国家 GB / 行业 QX·JB·YY… / 地方 DB11·DB31…)按「级别 × 领域」自动归置: 解析文件名中的…»

将一批标准 PDF(国家 GB / 行业 QX·JB·YY… / 地方 DB11·DB31…)按「级别 × 领域」自动归置: 解析文件名中的标准代号,查注册表得级别与归属,按名称关键词分入编号领域子文件夹, 并产出 CSV 编目与 HTML 可视化报告,支持按分类/年份/标准号/名称筛选打包下载。 This skill should be used when a user has a folder of standard PDFs (国家标准/行业标准/地方标准/团体标准/企业标准) and wants them classified, organized into domain subfolders, or inventoried — e.g. "把这批标准按建筑、食品、交通等分类", "整理一下地方标准文件夹", "给这些 PDF 出个分类目录", "下载某分类/某年度标准".

ClawHub Agent Skills автор: jeffm2020 v1.0.0 MIT-0 11 файлов тело ≈ 1 531 токенов Открыть источникclawhub.ai проанализирован 33 ч назад

Пакетная автоматическая классификация стандартных PDF (государственные GB / отраслевые QX·JB·YY… / местные DB11·DB31…) по принципу «уровень × область»…

Как процесс D 43/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

СправочникДанные и аналитикатип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
D
43/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 11. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "emoji"

    Процессный рейтинг: все десять параметров 43/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 30Повторный запуск. Изменяющих операций: 2, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 43
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1531 токенов
    • low Разделов верхнего уровня: 11. Похоже на несколько доменов в одном скилле

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +5В description 4 примера фраз-триггеров в кавычках
    • +3Длина description 396 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 12 заголовков
    • +3Пошаговые инструкции: 43 пунктов
    • +4Есть примеры (6 блоков кода)
    • +3Все 5 скриптов описаны в инструкциях
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.

    Внешние проверки

    ClawHub: clean
    This skill is a disclosed local PDF organizer and report generator, with file-moving behavior that is expected for its purpose and controlled by the user.
    LLM: benign (high) · VirusTotal: · 15 авг. 2026 г.