BC Long Context RAG Analyzer
Ассистент для анализа документов с большим контекстом и оптимизации RAG с помощью ИИ — обрабатывает документы объемом от 100 тыс. до 2 млн токенов, создает гибридные поисковые индексы, оценивает качество поиска, выполняет многодокументное рассуждение и генерирует структурированные отчеты. Создан для финансовых аналитиков, юристов, исследователей и разработчиков, работающих с крупномасштабными наборами документов. Ключевые слова: большой контекст, RAG, генерация с дополненным поиском, анализ документов, векторный поиск, гибридный поиск, стратегия разбиения на части, окно контекста, анализ финансовых отчетов, обзор юридических документов, синтез исследовательских работ, 长上下文, Gemini 2M token, 文档理解, 向量检索, 混合检索, RAG优化, 知识库.
машинный переводПоказать оригиналСкрыть оригинал«AI-powered long-context document analysis and RAG optimization assista…»
AI-powered long-context document analysis and RAG optimization assistant — process 100K-2M token documents, build hybrid search indexes, evaluate retrieval quality, handle multi-document reasoning, and generate structured reports. Built for financial analysts, legal professionals, researchers, and developers working with large-scale document datasets. Keywords: long context, RAG, retrieval augmented generation, document analysis, vector search, hybrid search, chunking strategy, context window, financial report analysis, legal document review, research paper synthesis, 长上下文, Gemini 2M token, 文档理解, 向量检索, 混合检索, RAG优化, 知识库.
Ассистент для анализа документов с большим контекстом и оптимизации RAG с помощью ИИ — обрабатывает документы объемом от 100 тыс.
Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, ошибки и развилки
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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 · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
низкая Секреты в коде
secret-high-entropy-tokenSKILL.md:312Строка, похожая на токен (может быть id, хеш или секрет) (в кавычках — упоминание, а не команда)- Language: Chinese optimized (use 'para…-v2')
в кавычках
Просканировано файлов: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
frontmatter-yamlSKILL.md: фронтматтер не разбирается как YAML (YAML parse error: Missing closing "quote at line 3, column 642: … research paper synthesis, 长上下文, Gemini 2M token, 文档理解, 向量检索, 混合检索, RAG优化, 知识库. ^ ); поля прочитаны построчно. Обычная причина — двоеточие в незакавыченном значении - предупреждение
name-formatname должен быть в kebab-case (строчные буквы, цифры, дефисы) - предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug"
Процессный рейтинг: все десять параметров 54/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 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
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (Long Context RAG Analyzer) не совпадает с папкой (long-context-rag-analyzer)
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 32
- 100Стоимость исполнения. Тело инструкции 3817 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 627 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 16 заголовков
- +3Пошаговые инструкции: 32 пунктов
- +4Есть примеры (13 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 56.