SKILLEMALL.ai

AC xiangyun-table-ocr

Универсальный агент распознавания документов/таблиц Xiangyun. Запускается, когда пользователь запрашивает следующие действия: - Универсальное распознавание документов, OCR документов, OCR документов, распознавание текста на изображениях - Распознавание таблиц, OCR таблиц, распознавание таблиц - Извлечение содержимого таблиц, чтение данных таблиц - Распознавание текста и таблиц на изображениях/сканах/PDF - Таблицы в Excel, таблицы в Word, таблицы в Markdown - Экспорт документов, экспорт таблиц, загрузка результатов распознавания - Пакетное распознавание документов, пакетное распознавание таблиц - Распознавание английских документов, японских документов, многоязычный OCR - Распознавание счетов/контрактов/удостоверений/отчетов/выписок - Распознавание документов Xiangyun, документы netocr, таблицы netocr - Распознавание косых/наклонных документов, автоматическая коррекция изображений Учетные данные автоматически загружаются из `./config.json` (в каталоге Skill), при первом использовании запрашиваются у пользователя.

машинный переводПоказать оригиналСкрыть оригинал«翔云通用文档/表格识别 Agent。当用户请求以下操作时触发: - 通用文档识别、文档 OCR、OCR 文档、识别图片文字 - 表格识别、表…»

翔云通用文档/表格识别 Agent。当用户请求以下操作时触发: - 通用文档识别、文档 OCR、OCR 文档、识别图片文字 - 表格识别、表格 OCR、识别表格 - 提取表格内容、读取表格数据 - 识别图片/扫描件/PDF 中的文字和表格 - 表格转 Excel、表格转 Word、表格转 Markdown - 导出文档、导出表格、下载识别结果 - 批量文档识别、批量表格识别 - 英文文档识别、日文文档识别、多语言 OCR - 识别发票/合同/证件/报表/对账单 - 翔云文档识别、netocr 文档、netocr 表格 - 识别歪斜/倾斜文档、自动校正图片 凭据自动从 `./config.json`(Skill 目录下)加载,首次使用再向用户索要。

ClawHub Agent Skills автор: liudengkui v1.0.1 MIT-0 5 файлов тело ≈ 1 115 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Универсальный агент распознавания документов/таблиц Xiangyun.

Как процесс C 51/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия

ПроцедураИнфраструктураДанные и аналитикаИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
92/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
79
Прогон на моделях
не было
Процессный рейтинг
C
51/100
Есть пробелы
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Ошибки и развилки вес 10
0
три самых слабых из десяти параметров · все десять

Как улучшить

  1. Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
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: 5. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

По спецификации Agent Skills

  • предупреждение description-no-when description не говорит, КОГДА применять скилл (нет "use when / используй когда")

Процессный рейтинг: все десять параметров 51/100

  • 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
  • 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
  • 100Инструменты и файлы. Внешние инструменты не нужны
  • 100Шаги. Шагов: 25
  • 100Согласованность. Имя и обязательные поля на месте
  • 100Стоимость исполнения. Тело инструкции 1115 токенов
  • low Разделов верхнего уровня: 10. 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)
  • +3Формат ответа не описан: модель каждый раз решает сама
  • +1Лицензия не указана
  • +2Инструкции на одном языке
  • +3Длина description 328 символов: достаточно сигнала, не съедает бюджет
  • +4Структура: 21 заголовков
  • +3Пошаговые инструкции: 25 пунктов
  • +4Есть примеры (4 блоков кода)
  • +4Справочные файлы упоминаются в инструкциях (1 из 1)
  • +3Все 1 скриптов описаны в инструкциях

База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 79.

Внешние проверки

ClawHub: clean
This skill does the advertised cloud OCR/table-recognition work, but users should treat submitted documents and OCR credentials as sensitive.
LLM: benign (high) · VirusTotal: · 29 мая 2026 г.