SKILLEMALL.ai
EN Войти

BD doc-reader

Навык чтения локальных документов. Извлекает чистый текст и структуру (заголовки/параграфы/таблицы) из PDF/DOCX/TXT для дальнейшего использования в суммаризации, поиске и структурированном извлечении. Встроенный скрипт doc_extract (приоритет локальной библиотеки, при отсутствии зависимостей — подсказка для отката). Подходит для парсинга договоров/резюме/отчетов, пополнения базы знаний, предварительной обработки длинных текстов.

машинный переводПоказать оригиналСкрыть оригинал«本地文档读取技能。从 PDF / DOCX / TXT 抽取纯文本与结构（标题/段落/表格），供摘要、检索、结构化抽取下游使用。内置 doc…»

本地文档读取技能。从 PDF / DOCX / TXT 抽取纯文本与结构（标题/段落/表格），供摘要、检索、结构化抽取下游使用。内置 doc_extract 脚本（优先本地库，无依赖时回退提示）。适用于合同/简历/报告解析、知识入库、长文预处理。

ClawHub Agent Skills автор: qq435912743 v1.0.0 MIT-0 4 файла тело ≈ 287 токенов Открыть источникclawhub.ai↗ проанализирован 32 ч назад

Навык чтения локальных документов.

Как процесс D 46/100 · Процесс не доведён — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураWordРазработкаТексты и документытип 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
B
89/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
73
Прогон на моделях
не было
Процессный рейтинг
D
46/100
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

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")
  • заметка frontmatter-key неизвестное поле фронтматтера "agent_created"
  • заметка frontmatter-key неизвестное поле фронтматтера "visibility"

Процессный рейтинг: все десять параметров 46/100

  • 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
  • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
  • 100Шаги. Шагов: 11
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 287 токенов
  • 100Повторный запуск. Изменяющих операций нет

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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 123 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 7 заголовков
  • +3Пошаговые инструкции: 11 пунктов
  • +4Есть примеры (2 блоков кода)
  • +3Все 2 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 73.

Внешние проверки

ClawHub: suspicious
The document reader itself is local and coherent, but the bundled generic learning script can persist free-form usage data across arbitrary skill directories without clear scoping or retention controls.
LLM: suspicious (high) · 14 авг. 2026 г.