AC html-ocr
OCR для HTML-страниц с изображениями или сканированным контентом. Использует MinerU для извлечения текста из изображений в HTML-файлах и веб-страницах. Функции: OCR-извлечение для изображений в HTML-файлах. Режим VLM для сложных страниц со смешанным контентом. Обрабатывает HTML со встроенными сканированными изображениями. Преобразует текст изображений в Markdown с возможностью поиска. Используйте, когда вам нужно: выполнить OCR изображений в HTML-страницах, извлечь текст из веб-страниц с большим количеством изображений, прочитать сканированный контент, встроенный в HTML. Используйте, когда вас спрашивают: «как мне сделать OCR HTML-страницы», «извлечь текст из изображений в HTML», «на этой веб-странице вместо текста изображения», «может ли мой агент выполнять OCR HTML-контента», «есть ли навык для OCR HTML». Основано на MinerU от OpenDataLab (Shanghai AI Lab) с расширенными возможностями OCR. Идеально подходит для веб-архивирования, улучшения доступности и извлечения контента из веб-страниц с большим количеством изображений.
машинный переводПоказать оригиналСкрыть оригинал«OCR for HTML pages containing image-embedded or scanned content. Uses…»
OCR for HTML pages containing image-embedded or scanned content. Uses MinerU to extract text from images within HTML files and web pages. Features: OCR extraction for image content in HTML files. VLM mode for complex mixed-content pages. Handles HTML with embedded scanned images. Converts image text to searchable Markdown. Use when you need to: OCR images in HTML pages, extract text from image-heavy web pages, read scanned content embedded in HTML. Use when asked: 'how do I OCR an HTML page', 'extract text from images in HTML', 'this web page has images instead of text', 'can my agent OCR HTML content', 'is there a skill for HTML OCR'. Built on MinerU by OpenDataLab (Shanghai AI Lab) with advanced OCR capabilities. Perfect for web archiving, accessibility improvements, and content extraction from image-heavy web pages.
OCR для HTML-страниц с изображениями или сканированным контентом.
Как процесс C 56/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- 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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 56/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 55Ошибки и развилки. Развилок: 1
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 9
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 352 токенов
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)
- +3Длина description 830: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 6 заголовков
- +3Пошаговые инструкции: 9 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 80.