BC ontology-engineer
Извлекает модели онтологии кандидатов из корпоративных бизнес-систем И СОЗДАЕТ/ПОДДЕРЖИВАЕТ персональные графы знаний из любой файловой системы. Используйте для: извлечения онтологии, 本体提取, анализа схемы, извлечения сущностей, словаря данных (数据字典), анализа структуры таблиц, графа знаний (知识图谱), полного сканирования, сканирования файлов, персональных знаний (个人知识) или анализа моделей данных бизнес-систем. Три режима работы: (A) Извлечение из базы данных/схемы — SCAN→EXTRACT→MERGE из SQL DDL, словарей данных Word/Excel. Выводит ontology.json + review.md. (B) Сканирование файловой системы — конвейер index→analyze для персонального графа знаний. Читает Office/PDF/текст, извлекает сущности и структуры доменов. Выводит graph.jsonl + schema.yaml. (C) Сканирование внешних данных — аналогично B для пространств данных других (клиентов, партнеров). Обрабатывает .docx .doc .wps .pdf .xlsx .xls .et .pptx .ppt .dps .md .txt .sql .yaml .json .csv. Использует python-docx, PyMuPDF, openpyxl, python-pptx. Поддерживает мультимодальный анализ изображений. Никаких внешних ключей API или сетевого доступа не требуется — LLM, запускающая этот навык, САМА является движком семантического анализа. Вся обработка локальна. Сканирование файлов ограничено пользователем через обязательное подтверждение Шага 1.5 перед началом любого анализа.
машинный переводПоказать оригиналСкрыть оригинал«Extract candidate ontology models from enterprise business systems AND…»
Extract candidate ontology models from enterprise business systems AND build/maintain personal knowledge graphs from any file system. Use when: ontology extraction, 本体提取, schema analysis, entity extraction, data dictionary (数据字典), 表结构分析, knowledge graph (知识图谱), 全量扫描, file scan, personal knowledge (个人知识), or analyzing business system data models. Three operating modes: (A) Database/schema extraction — SCAN→EXTRACT→MERGE from SQL DDL, Word/Excel data dictionaries. Outputs ontology.json + review.md. (B) Filesystem scanning — index→analyze pipeline for personal knowledge graph. Reads Office/PDF/text, extracts entities and domain structures. Outputs graph.jsonl + schema.yaml. (C) External data scanning — same as B for others' data spaces (clients, partners). Handles .docx .doc .wps .pdf .xlsx .xls .et .pptx .ppt .dps .md .txt .sql .yaml .json .csv. Uses python-docx, PyMuPDF, openpyxl, python-pptx. Supports multimodal image analysis. No external API keys or network access required — the LLM running this skill IS the semantic analysis engine. All processing is local. File scanning is user-scoped via mandatory Step 1.5 confirmation before any analysis begins.
Извлекает модели онтологии кандидатов из корпоративных бизнес-систем И СОЗДАЕТ/ПОДДЕРЖИВАЕТ персональные графы знаний из любой файловой системы.
Как процесс C 61/100 · Есть пробелы — слабые места: входы и предусловия, повторный запуск
Как улучшить
- Сократите description до 1024 символов.
- 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: 17. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1169 символов, лимит 1024 - заметка
frontmatter-keyнеизвестное поле фронтматтера "metadata.openclaw"
Процессный рейтинг: все десять параметров 61/100
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 30Повторный запуск. Изменяющих операций: 17, без проверки текущего состояния
- 50Когда включается. Не сказано, при каком запросе скилл включается
- 60Инструменты и файлы. Используются инструменты (bash), но во frontmatter они не объявлены
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 60Ошибки и развилки. Развилок: 2
- 85Шаги. Шагов: 42, расплывчатых формулировок: 2
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 3348 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
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)
- +3Длина description 1169: рекомендуется 120–800 символов
- +1Лицензия не указана
- +2Инструкции на одном языке
- +4Структура: 21 заголовков
- +3Пошаговые инструкции: 42 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (8 блоков кода)
- +4Справочные файлы упоминаются в инструкциях (10 из 10)
- +3Все 4 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 65.