CC bank-scan-household-splitter
Клиент присылает архив, содержащий сотни лицевых и оборотных сторон удостоверений личности, заявления на открытие счета, договоры — **вручную разбирать по одному занимает полдня и легко пропустить что-то**. Этот инструмент автоматически сортирует по людям и домохозяйствам: распаковка → извлечение всех изображений → пакетное распознавание моделью компьютерного зрения «лицевая/оборотная сторона кого, какое заявление» → сопоставление по домохозяйствам → вывод отдельного Word для каждого домохозяйства. Есть один критерий выбора, проверенный на практике и стоивший реальных денег: **не используйте GLM-4V-Flash для распознавания документов** (по тестам, 18 оборотных сторон удостоверений личности были сфабрикованы, включая имена), необходимо использовать модель компьютерного зрения с высокой точностью и перекрестной проверкой. - Ввод: зашифрованный архив RAR/ZIP или сканированный docx из сотен страниц, состоящий только из изображений без текста. - Вывод: файл для одного домохозяйства «Имя-Удостоверение личности+Заявление на открытие счета.docx» + папка «Требуется ручная проверка» (нераспознанные или несовпавшие элементы помещаются отдельно, не смешиваясь с основным результатом). - Изображения не покидают ваше устройство: распаковка и извлечение выполняются локально, только этап распознавания вызывает модель компьютерного зрения. Применимо для: группировки банковских изображений, сортировки материалов для подачи иска юристами, разделения материалов для взыскания/судебных разбирательств, пакетного архивирования документов. Ключевые слова: разделение сканированных документов, сортировка материалов по домохозяйствам, банковские изображения, распознавание лицевой и оборотной стороны удостоверений личности, группировка по домохозяйствам, пакетное архивирование документов, материалы для подачи иска юристами, извлечение изображений из docx, классификация OCR, сортировка материалов для взыскания. Целевая аудитория: группировка банковских изображений, сортировка материалов для подачи иска юристами, разделение материалов для взыскания/судебных разбирательств, пакетное архивирование документов. Ввод: зашифрованный архив RAR/ZIP или сканированный docx из сотен страниц (только изображения, без текста). Вывод: файл для одного домохозяйства «Имя-Удостоверение личности+Заявление на открытие счета.docx» + папка «Требуется ручная проверка» (нераспознанные/несовпавшие элементы помещаются отдельно, не смешиваясь с основным результатом). Основной процесс: распаковка → извлечение всех изображений из docx → пакетное распознавание моделью компьютерного зрения «лицевая/оборотная сторона кого, какое заявление» → сопоставление по домохозяйствам → создание Word для каждого домохозяйства. ⚠️ Есть один критерий выбора, проверенный на практике и стоивший реальных денег: для распознавания документов **не используйте GLM-4V-Flash** (по тестам, 18 оборотных сторон удостоверений личности были сфабрикованы, включая имена), необходимо использовать модель компьютерного зрения с высокой точностью, такую как Seed 2.0 Pro от Doubao, и перекрестную проверку. Ключевые слова: разделение сканированных документов, сортировка материалов по домохозяйствам, банковские изображения, распознавание лицевой и оборотной стороны удостоверений личности, группировка по домохозяйствам, пакетное архивирование документов, материалы для подачи иска юристами, извлечение изображений из docx, классификация OCR. Изображения не покидают ваше устройство (распаковка и извлечение выполняются локально), только этап распознавания вызывает модель компьютерного зрения.
машинный переводПоказать оригиналСкрыть оригинал«客户丢来一个压缩包，里面几百张身份证正反面、开卡申请书、合同——**人工一张张挑，一下午就没了，还容易漏**。 这套按人按户自动拆好：解包…»
客户丢来一个压缩包，里面几百张身份证正反面、开卡申请书、合同——**人工一张张挑，一下午就没了，还容易漏**。 这套按人按户自动拆好：解包 → 抽出全部图片 → 视觉模型批量识别"这是谁的正/反面、哪份申请书" → 按户匹配 → 每户输出一个独立 Word。 有一条用真金白银换来的选型红线：**证件识别不要用 GLM-4V-Flash**（实测 18 张身份证背面里 11 张被编造，还编出了姓名），必须用高准确度视觉模型并配交叉校验。 - 输入：RAR/ZIP 加密压缩包，或几百页全是图片、没有文字的扫描件 docx - 输出：「姓名-身份证+开申请书.docx」单户文件 + 「待人工核对」文件夹（识别不出或匹配不上的单独放，不混进正常结果） - 图片不出本机：解包与提取都在本地做，只有识别那一步调视觉模型 适用：银行影像材料归户、律师立案材料整理、催收/诉讼材料分户、批量证件归档。 触发词：扫描件拆分、材料按户分开、银行影像材料、身份证正反面识别、归户、批量证件归档、律所立案材料、docx 提取图片、OCR 分类、催收材料整理。 适用对象：银行影像材料归户、律师立案材料整理、催收/诉讼材料分户、批量证件归档。 输入：RAR/ZIP 加密压缩包，或几百页的扫描件 docx（全是图片、无文字） 输出：「姓名-身份证+开申请书.docx」单户文件 + 「待人工核对」文件夹（识别不出/匹配不上的单独放，不混进正常结果） 核心做法：解包 → 从 docx 抽出 word/media 全部图片 → 视觉模型批量识别「这是谁的正/反面、哪份申请书」→ 按户匹配 → 生成单户 Word。 ⚠️ 里面有一条用真金白银换来的选型红线：证件识别**不要用 GLM-4V-Flash**（实测 18 张身份证背面里 11 张被编造，还编出姓名），必须用豆包 Seed 2.0 Pro 这类高准确度视觉模型，并配交叉校验。 触发词：扫描件拆分、材料按户分开、银行影像材料、身份证正反面识别、归户、批量证件归档、律所立案材料、docx 提取图片、OCR 分类。 图片不出本机（解包与提取全在本地做），只有识别那一步调视觉模型。
Клиент присылает архив, содержащий сотни лицевых и оборотных сторон удостоверений личности, заявления на открытие счета, договоры — вручную разбирать по…
Как процесс C 53/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
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 · 0
✓ Критических и высоких находок нет
Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда") - заметка
frontmatter-keyнеизвестное поле фронтматтера "slug" - заметка
frontmatter-keyнеизвестное поле фронтматтера "displayName" - заметка
frontmatter-keyнеизвестное поле фронтматтера "summary"
Процессный рейтинг: все десять параметров 53/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 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
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 31
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 904 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)
- +3Длина description 912: рекомендуется 120–800 символов
- +3Формат ответа не описан: модель каждый раз решает сама
- -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- -31 из 1 скриптов не упомянуты в SKILL.md
- +2Инструкции на одном языке
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 31 пунктов
- +4Есть примеры (5 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 60.