SKILLEMALL.ai
EN Войти

AC ragflow-workbench

RAGFlow Workbench — комплексная RAG-платформа для Windows: проверка установки Docker, загрузка администратора и генерация API-ключа, настройка модели по умолчанию (Embedding/Chat/Rerank), CRUD базы знаний, жизненный цикл загрузки/разбора документов, поиск/извлечение, создание чата. Активируется, когда пользователь упоминает: установку или развертывание RAGFlow, настройку локального RAG-экземпляра на Windows, создание базы знаний, настройку моделей для RAG, управление документами в наборах данных, поиск по базам знаний.

машинный переводПоказать оригиналСкрыть оригинал«RAGFlow Workbench — end-to-end RAG platform on Windows: Docker install…»

RAGFlow Workbench — end-to-end RAG platform on Windows: Docker install check, admin bootstrap and API key generation, default model setup (Embedding/Chat/Rerank), knowledge base CRUD, document upload-parse lifecycle, retrieval/search, chat creation. Triggers when the user mentions: RAGFlow installation or deployment, setting up a local RAG instance on Windows, creating a knowledge base, configuring models for RAG, managing documents in datasets, searching across knowledge bases.

ClawHub Agent Skills автор: JieJingKe v1.0.0 MIT-0 23 файла тело ≈ 1 419 токенов Открыть источникclawhub.ai↗ проанализирован 14 ч назад

RAGFlow Workbench — комплексная RAG-платформа для Windows: проверка установки Docker, загрузка администратора и генерация API-ключа, настройка модели по…

Как процесс C 61/100 · Есть пробелы — слабые места: ошибки и развилки, согласованность, повторный запуск

ИнтеграцияDockerИИ и агентыИнфраструктуратип и темы размечены автоматически по тексту скилла
Запускается в: OpenClaw Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) Goose OpenCode
JSON
Технический рейтинг
A
94/100
безопасность, качество, тесты
Безопасность 60%
98
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
C
61/100
Есть пробелы
Ошибки и развилки вес 10
0
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
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 · 2

    ✓ Критических и высоких находок нет

    Средние и низкие: 2
    • низкая Утечка данных read-dotenv references/command-reference.md:8
      Чтение файла .env
      copy .env.example .env
    • низкая Утечка данных read-dotenv SKILL.md:87
      Чтение файла .env
      copy .env.example .env

    Просканировано файлов: 23. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 61/100

    • 0Ошибки и развилки. Линейный процесс без обработки сбоев
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 9, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (ragflow-workbench) не совпадает с папкой (ragflow-workbench-1-0-0-en)
    • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 21
    • 100Стоимость исполнения. Тело инструкции 1419 токенов
    • low Скилл сам сортирует и ранжирует выдачу: это работа системы на той стороне, а не модели

    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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • -33 из 16 скриптов не упомянуты в SKILL.md
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 483 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 10 заголовков
    • +3Пошаговые инструкции: 21 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (5 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (3 из 4)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 88.

    Внешние проверки

    ClawHub: suspicious
    The skill appears purpose-built for managing a local RAGFlow instance, but it stores and prints sensitive admin/API credentials with weak disclosure and no local file hardening.
    LLM: suspicious (medium) · VirusTotal: · 4 июн. 2026 г.