SKILLEMALL.ai

AB information-extraction

Извлекает структурированную информацию из неструктурированного текста с помощью полуавтоматического конвейера. Поддерживает извлечение сущностей, извлечение отношений, извлечение атрибутов и извлечение событий из обычного текста и Markdown. Используйте при преобразовании необработанного текста в тройки, записи, готовые для графа, или нормализованные структурированные факты из документов, заметок, отчетов, стенограмм и веб-контента, скопированного в виде текста.

машинный переводПоказать оригиналСкрыть оригинал«Extract structured information from unstructured text through a semi-a…»

Extract structured information from unstructured text through a semi-automatic pipeline. Support entity extraction, relation extraction, attribute extraction, and event extraction from plain text and Markdown. Use when converting raw text into triples, graph-ready records, or normalized structured facts from documents, notes, reports, transcripts, and web content copied as text.

ClawHub Agent Skills автор: quqxui v1.0.0 MIT-0 11 файлов тело ≈ 962 токенов Открыть источникclawhub.ai проанализирован 2 дн назад

Извлекает структурированную информацию из неструктурированного текста с помощью полуавтоматического конвейера.

Как процесс B 75/100 · Почти готов — слабые места: когда включается, отчётность по ходу

ПроцедураИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
98/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
94
Прогон на моделях
не было
Процессный рейтинг
B
75/100
Почти готов
Отчётность по ходу вес 2
0
Когда включается вес 12
20
Ошибки и развилки вес 10
55
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

    ✓ По спецификации Agent Skills замечаний нет

    Процессный рейтинг: все десять параметров 75/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 55Ошибки и развилки. Развилок: 1
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 26
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 962 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)
    • +1Лицензия не указана
    • +2Инструкции на одном языке
    • +3Длина description 381 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 26 пунктов
    • +3Формат ответа описан явно
    • +4Есть примеры (9 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (6 из 6)
    • +3Все 3 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 94.

    Внешние проверки

    ClawHub: clean
    This skill is a coherent local information-extraction helper that processes user-provided text into structured outputs without evidence of hidden access, network activity, persistence, or destructive behavior.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.