SKILLEMALL.ai
EN Войти

AA pdf-extract-skill

Навык извлечения PDF с помощью OpenClaw и OpenDataLoader. Используйте, когда пользователь хочет извлечь и обработать содержимое PDF для RAG, эмбеддингов или цитирования по координатам.

машинный переводПоказать оригиналСкрыть оригинал«OpenClaw PDF extraction skill using OpenDataLoader. Use when the user…»

OpenClaw PDF extraction skill using OpenDataLoader. Use when the user wants to extract and process PDF content for RAG, embeddings, or coordinate-based citations.

ClawHub Agent Skills автор: Lucas Moyano v0.0.10 MIT-0 8 файлов тело ≈ 1 925 токенов Открыть источникclawhub.ai↗ проанализирован 2 дн назад

Навык извлечения PDF с помощью OpenClaw и OpenDataLoader.

Как процесс A 82/100 · Дойдёт до конца — слабые места: повторный запуск, отчётность по ходу

ПроцедураИИ и агентыИсследованияИнфраструктуратип 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
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
88
Прогон на моделях
не было
Процессный рейтинг
A
82/100
Дойдёт до конца
Отчётность по ходу вес 2
0
Повторный запуск вес 4
30
Инструменты и файлы вес 18
60
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: 8. 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 82/100

    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
    • 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
    • 100Шаги. Шагов: 70
    • 100Когда включается. Сказано, когда применять и когда не применять
    • 100Входы и предусловия. Входные данные и предусловия перечислены
    • 100Ошибки и развилки. Развилок: 4, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1925 токенов
    • low Разделов верхнего уровня: 14. 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
    • +4Нет примеров входа/выхода
    • +2Инструкции на одном языке
    • +3Длина description 162 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 26 заголовков
    • +3Пошаговые инструкции: 70 пунктов
    • +3Формат ответа описан явно
    • +4Справочные файлы упоминаются в инструкциях (6 из 6)
    • +1Лицензия указана

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

    Внешние проверки

    ClawHub: clean
    This is a disclosed PDF extraction helper that uses local OpenDataLoader commands, with ordinary precautions needed for installing the external package and handling PDF outputs.
    LLM: benign (high) · VirusTotal: · 29 мая 2026 г.