SKILLEMALL.ai

BC qdrant-ingestion-best-practices

Используйте этот навык при создании, проектировании или отладке конвейера RAG с использованием Qdrant в качестве векторного хранилища. Охватывает конвейеры приема данных, стандарты разбиения на фрагменты, проектирование схемы метаданных, гибридный поиск (плотный + разреженный) с RRF, шаблоны контроля доступа, выбор модели встраивания (BGE-M3 для гибридного, text-embedding-3-small для только плотного), архитектуру коллекций, нормализацию, дедупликацию, идемпотентность и операционные стандарты. Триггеры включают: любое упоминание Qdrant, конвейера RAG, приема векторов, разбиения на фрагменты, встраивания, гибридного поиска, фильтров полезной нагрузки или извлекаемого контента с контролем доступа.

машинный переводПоказать оригиналСкрыть оригинал«Use this skill whenever building, designing, or debugging a RAG pipeli…»

Use this skill whenever building, designing, or debugging a RAG pipeline using Qdrant as the vector store. Covers ingestion pipelines, chunking standards, metadata schema design, hybrid dense+sparse retrieval with RRF, access control patterns, embedding model selection (BGE-M3 for hybrid, text-embedding-3-small for dense-only), collection architecture, normalization, deduplication, idempotency, and operational standards. Triggers include: any mention of Qdrant, RAG pipeline, vector ingestion, chunking, embeddings, hybrid search, payload filters, or access-controlled retrieval.

ClawHub Agent Skills автор: EncryptShawn v1.0.0 MIT-0 13 файлов тело ≈ 1 599 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Используйте этот навык при создании, проектировании или отладке конвейера RAG с использованием Qdrant в качестве векторного хранилища.

Как процесс C 62/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск

ПроцедураИИ и агентыИнфраструктуратип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
B
88/100
безопасность, качество, тесты
Безопасность 60%
97
Качество 40%
74
Прогон на моделях
не было
Процессный рейтинг
C
62/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
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 · 3

    ✓ Критических и высоких находок нет

    Средние и низкие: 3
    • низкая Секреты в коде secret-high-entropy-token guides/02-metadata-schema.md:249
      Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)
      "parent_doc_id": "slac…900",
      в кавычках
    • низкая Рискованное назначение intent-offensive-security guides/09-access-control.md:23
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      **2. Privilege escalation surface:** If an LLM can influence the values of access control fields (even indirectly, through prompt injection), and those fields are authoritative for access decisions, y
    • низкая Рискованное назначение intent-offensive-security guides/09-access-control.md:216
      Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)
      | Storing `allowed_agents` in chunk payload | Re-ingestion required on every access change; privilege escalation risk | Store agent→scope mappings in orchestration layer config |

    Просканировано файлов: 13. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • предупреждение frontmatter-yaml SKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Nested mappings are not allowed in compact mappings at line 2, column 14: description: Use this skill whenever building, designing, or debugging a RAG pi… ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении

    Процессный рейтинг: все десять параметров 62/100

    • 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
    • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
    • 55Ошибки и развилки. Развилок: 1
    • 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
    • 100Инструменты и файлы. Внешние инструменты не нужны
    • 100Шаги. Шагов: 10
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 1599 токенов
    • medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают

    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 583 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 16 заголовков
    • +3Пошаговые инструкции: 10 пунктов
    • +4Есть примеры (4 блоков кода)

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 74.

    Внешние проверки

    ClawHub: clean
    This is a documentation-only Qdrant/RAG guidance skill with some production caveats, but no hidden execution, persistence, or data exfiltration behavior.
    LLM: benign (high) · 28 мая 2026 г.